Несколько лет назад, в разгар дебатов вокруг «Закона о доступной медицинской помощи», Дэниел Митчелл из либертарианского Института Катона опубликовал в своем блоге статью с провокационным заголовком «Почему Обама пытается сделать Америку больше похожей на Швецию, тогда как сами шведы пытаются быть в меньшей степени шведами?»{13}.

Хороший вопрос! Скажем как можно мягче: это действительно кажется несколько странноватым. Почему, господин президент, мы плывем против течения истории, тогда как во всем мире страны с высоким уровнем социального обеспечения (даже богатая маленькая Швеция!) сокращают дорогостоящие социальные льготы и высокие налоги? «Если шведы извлекли уроки из собственных заблуждений и теперь пытаются сократить объем и границы государственного управления, то почему американские политики так стремятся повторять их ошибки?» – пишет Митчелл.

Ответ на этот вопрос требует построения в высшей степени научного графика. Вот как выглядит мир в понимании Института Катона.

Ось x отображает здесь меру «шведскости»[19], а ось y – некую меру благосостояния. Не имеет значения, в каких именно единицах отображены эти показатели. Суть вот в чем: согласно этому графику, чем выше у вас мера шведскости, тем в худшей ситуации находится ваша страна. Шведы, люди далеко не глупые, поняли это и начали двигаться по графику в северо-западном направлении, к благосостоянию, которое обеспечивает свободный рынок. Однако Обама движется не в том направлении.

Позвольте мне нарисовать эту же картину с точки зрения людей, экономические взгляды которых ближе к мнению Обамы, а не Института Катона.

Этот график дает совсем другие рекомендации по вопросу, в какой степени нам следует походить на Швецию. Где мы видим максимальный уровень благосостояния? В точке, в которой мера шведскости больше, чем в Америке, но меньше, чем в Швеции. Если это действительно так, тогда совершенно логично, что Обама увеличивает объем социального обеспечения, тогда как шведы сокращают его.

Разница между этими двумя графиками сводится к различиям между линейностью и нелинейностью[20], одному из основных разграничений в математике. Линия на графике Катона – это прямая[21], тогда как линия на втором графике (с горбом посередине) не является прямой. Прямая – это один, но не единственный тип линий, причем прямые могут иметь самые разные свойства, которых может и не быть у других линий. Самая высокая точка отрезка прямой (в данном примере – максимальный уровень благосостояния) должна находиться либо на одном конце, либо на другом. Такова природа прямых линий. Если снижение налогов способствует росту благосостояния, то чем ниже налоги, тем лучше. Следовательно, если шведы хотят расшведиться, так же должны поступить и мы. Безусловно, противники точки зрения Института Катона могут утверждать, что эта прямая наклонена в другом направлении и проходит с юго-запада на северо-восток. В таком случае объем расходов на социальное обеспечение не может быть слишком большим, а оптимальная политика сводится к тому, чтобы обеспечить максимальный уровень шведскости.

Как правило, когда кто-то заявляет, будто не относится к числу людей, мыслящих линейно, то очень скоро он начнет просить у вас прощения за потерю того, что вы ему одолжили на время. Однако нелинейность действительно существуxет! А в данном контексте мыслить нелинейно крайне важно, поскольку не все линии бывают прямыми. Поразмышляв немного, вы поймете, что графики реальных экономических показателей напоминают второй, а не первый рисунок. Это кривые линии. Логика рассуждений Митчела являет собой пример ложной линейности – не заявляя об этом в явной форме, он исходит из того, что динамику благосостояния описывает отрезок прямой, изображенный на первом рисунке. В таком случае, если Швеция сокращает свою социальную инфраструктуру, значит, нам следует сделать то же самое.

Но, если вы считаете, что уровень социального обеспечения может быть слишком высоким или слишком низким, значит, вы понимаете, что линейная картина происходящего ошибочна. Здесь действует несколько более сложный принцип, чем «больше государственного управления – это плохо, меньше – это хорошо». Генералы, пришедшие за советом к Абрахаму Вальду, столкнулись с аналогичной ситуацией: если на самолетах установить слишком мало брони, они будут сбиты, если слишком много – не смогут взлететь. Вопрос не в том, хороша или плоха дополнительная броня; возможно и то и другое в зависимости от того, сколько брони на самолетах уже установлено. Если и существует оптимальное решение проблемы, то оно находится где-то посередине, а что действительно плохо, так это отклонение от оптимума в любую сторону.

Нелинейное мышление означает следующее: какой путь выбрать, зависит от того, где вы находитесь.

Мысль отнюдь не нова. Уже Гораций, живший во времена Римской империи, писал:

Est modus in rebus, sunt certi denique fines, Quos ultra citraque nequit consistere rectum{14}. Мера должна быть во всем, и всему есть такие пределы, Дальше и ближе которых не может добра быть на свете![22]

Еще раньше Аристотель в своей «Никомаховой этике» предупреждал, что «питье и еда при избытке или недостатке губят здоровье, в то время как все это в меру ‹…› и создает его, и увеличивает, и сохраняет»[23]. Оптимум находится где-то посередине, поскольку зависимость между питанием и здоровьем представляет собой не прямую, а кривую линию с плохим результатом на обоих концах.

Парадокс в том, что экономисты-консерваторы – вроде исследователей Института Катона – понимают это лучше, чем кто-либо другой. Помните вторую картинку – ту, которую нарисовал я? Тот самый в высшей степени научный график с горбом посередине? Я далеко не первый, кто изобразил это. График такого типа, получивший название «кривая Лаффера», уже почти сорок лет играет центральную роль в экономике республиканцев. Примерно в середине президентского срока Рейгана кривая Лаффера стала настолько распространенной темой экономических дискуссий, что Бен Стайн в фильме Ferris Bueller’s Day Off («Выходной день Ферриса Бьюлера»[24]) экспромтом включил ее в свой знаменитый невыносимо скучный школьный урок:

С кривой Лаффера связана такая легенда. Однажды в 1974 году Артур Лаффер, который был в то время профессором экономики Чикагского университета, ужинал с Диком Чейни, Дональдом Рамсфелдом и тогдашним главным редактором Wall Street Journal Джудом Ванниски в ресторане одного фешенебельного вашингтонского отеля. Во время ужина заговорили о предложенной президентом Фордом схеме налогообложения. Возник спор, и в итоге, как обычно водится среди людей творческих, когда разногласия достигают наибольшего накала, Лаффер схватил салфетку и изобразил на ней рисунок[25].

Здесь горизонтальная ось отображает уровень налогообложения, а вертикальная – объем доходов, полученных правительством от налогов, выплаченных налогоплательщиками. С левой стороны графика налоговая ставка составляет 0 %; в этом случае правительство по определению не получает никакого дохода от налогов. Справа ставка налога составляет 100 %; это означает, что, каким бы ни был ваш доход – будь то прибыль от вашего бизнеса или заработная плата, получаемая вами от работодателя, – абсолютно все уходит в карман дядюшки Сэма.

Но это бессмысленно. Если правительство отнимает у вас все до последнего цента из зарплаты, которую вам платят за то, что вы преподаете в школе, или продаете оборудование, или занимаете пост руководителя среднего звена, – то зачем вам нужна такая работа? Когда уровень налогообложения дойдет до правого края графика, люди вообще перестанут работать. Но если и будут продолжать, то исключительно в системе неофициальной экономики, куда сборщикам налогов доступ закрыт. Правда, в таком случае правительственные доходы тоже будут равны нулю.

Правительство все-таки имеет определенный объем доходов от налогообложения – в случае когда налоговые ставки попадают в промежуточный диапазон посередине кривой, то есть где-то между нулевой долей нашего дохода и всем доходом. Собственно, так и происходит в реальном мире{15}[26].

Это означает, что линия, отображающая зависимость между налоговой ставкой и правительственным доходом, не может быть прямой. Если было бы так, объем доходов от налогообложения оказался бы максимальным как с левой, так и с правой стороны графика, однако в обоих случаях он равен нулю. Если текущая ставка подоходного налога действительно близка к нулю, то есть вы находитесь с правой стороны графика, повышение налогов приведет к тому, что в распоряжении правительства будет больше денег для финансирования различных социальных программ, как, возможно, вам и подсказывает интуиция. Однако если подоходный налог близок к 100 %, повышение налогов на самом деле приведет к сокращению правительственных доходов. Если вы находитесь с правой стороны от вершины кривой Лаффера и хотите сократить дефицит бюджета без сокращения расходов, есть простое и замечательное с политической точки зрения решение: снизить уровень налогообложения, тем самым увеличив общую сумму налогов, которые вы взимаете. Какой путь выбрать, зависит от того, где вы находитесь.

Так где мы находимся? Здесь и начинаются трудности. Максимальная ставка подоходного налога в 1974 году составляла 70 %, и мысль о том, что Америка находится на нисходящем участке кривой Лаффера, представляла определенный интерес – особенно для тех счастливчиков, которым повезло платить налоги по этой ставке, распространявшейся только на доход, превышающий 200 тысяч долларов[27]. Кривая Лаффера получила сильного сторонника в лице Ванниски, который донес ее идею до сознания общественности в 1978 году, в книге с довольно самонадеянным названием The Way the World Works («Как устроен мир»[28]). Ванниски по-настоящему верил в эту теорию и отстаивал ее не только с большим рвением, но и с дипломатичным благоразумием, позволившим ему привлечь к ней надлежащее внимание. А ведь даже сторонники снижения налогов считали концепцию кривой Лаффера слишком радикальной. Ванниски совсем не задевало, когда его называли чудаком: «Томас Эдисон был чудаком, Лейбниц был чудаком, Галилей был чудаком и так далее и тому подобное. Каждого, кто выдвигает новые идеи наперекор расхожему мнению, новые идеи, раздвигающие границы устоявшихся научных направлений, считают сумасшедшим»{16}.

(Отступление. Здесь важно отметить, что люди, которые выдвигают идеи, выходящие за рамки общепринятого, и которые сравнивают себя с Эдисоном и Галилеем, никогда не бывают правы. Я получаю письма, написанные в таком духе, примерно один раз в месяц, как правило, пишут их люди, «доказавшие» математические утверждения, про которые уже сотни лет известно, что они ложные. Могу вас заверить, что Эйнштейн не говорил людям: «Послушайте, я знаю, что теория относительности звучит как бред сумасшедшего, но ведь то же самое говорили об идеях Галилея!»)

Кривая Лаффера с ее компактным графическим представлением и притягательной парадоксальностью быстро нашла своих сторонников среди политиков, и раньше выступавших за снижение налогов. Экономист Хэл Вариан сказал об этом: «Вы можете объяснить что-то члену Конгресса за шесть минут, а он будет говорить об этом шесть месяцев»{17}. Ванниски стал советником сначала Джека Кемпа[29], а затем Рональда Рейгана, чей богатый опыт работы в Голливуде в 1940-е годы, когда он был всего лишь кинозвездой, заложил основы его представлений об экономике, что понадобилось ему четыре десятилетия спустя. Дэвид Стокман, руководитель административно-бюджетного управления в период президентства Рейгана, вспоминает:

«Я узнал, что такое большие деньги, снимаясь в фильмах во время Второй мировой войны», – так всегда говорил [Рейган. – Д. Э.]. В то время добавочный подоходный налог достиг 90 %. «Можно было сняться в четырех картинах – и вы уже в более высоком разряде налогообложения. Поэтому примерно после четырех фильмов мы бросали работу и уезжали в деревню», – продолжал Рейган. Высокий налог приводит к тому, что люди работают меньше. Низкий налог приводит к тому, что они работают больше. Его опыт доказал это{18}.

В наши дни трудно найти экономиста с хорошей репутацией, считающего, будто мы находимся на нисходящем участке кривой Лаффера. Может быть, в этом и нет ничего удивительного, если учитывать, что в настоящее время с самых высоких доходов взимается налог по ставке всего 35 %, которая показалась бы абсурдно низкой на протяжении большей части ХХ столетия. Но даже во времена Рейгана мы, по всей вероятности, находились с левой стороны кривой Лаффера. Экономист Гарвардского университета Грегори Мэнкью – республиканец, возглавлявший совет консультантов по экономическим вопросам при президентстве второго Буша, – пишет в своем учебнике по микроэкономике:

Дальнейшая история не подтвердила гипотезу Лаффера по поводу того, что снижение налоговых ставок приводит к увеличению налоговых поступлений. Когда после избрания на пост президента Рейган снизил налоги, объем налоговых сборов сократился, а не увеличился. За период с 1980 по 1984 год поступления от подоходного налога с физических лиц сократились на 9 % (на человека, с учетом инфляции), хотя средний доход (на человека, с учетом инфляции) возрос на 4 % за тот же период. Тем не менее изменить действующую налоговую политику было трудно{19}.

Теперь самое время по достоинству оценить точку зрения сторонников экономики предложения. Прежде всего следует отметить, что максимальное увеличение правительственных доходов не обязательно должно быть целью налоговой политики. Милтон Фридман, с которым мы уже встречались, когда он выполнял секретную военную работу для Группы статистических исследований во времена Второй мировой войны, стал впоследствии лауреатом Нобелевской премии по экономике, советником ряда президентов, последователем либертарианской философии и влиятельным сторонником снижения налогов. Знаменитый лозунг Фридмана звучит так: «Я сторонник снижения налогов в любых обстоятельствах, под любым предлогом и при любой возможности». Он считал, что мы не должны стремиться к вершине кривой Лаффера – точке, в которой налоговые сборы правительства достигают максимума. В понимании Фридмана собранные правительством деньги в конечном счете будут израсходованы тем же правительством, причем в таком случае деньги будут потрачены скорее плохо, чем хорошо.

Сторонники экономики предложения, придерживающиеся более умеренных взглядов, – как, например, Мэнкью, – утверждают, что снижение налогов может усилить мотивацию людей работать больше и открывать новые компании, что в итоге приведет к укреплению экономики, даже если прямой эффект снижения налогов – это сокращение правительственных доходов и увеличение бюджетного дефицита. Экономист, больше сочувствующий идее перераспределения доходов, отметил бы, что это палка о двух концах, поскольку сокращение правительственных расходов может означать, что правительство будет выделять меньше средств на инфраструктуру, менее строго бороться с мошенничеством и в целом предпринимать меньше всех тех действий, которые способствуют развитию свободного предпринимательства.

Кроме того, по мнению Мэнкью, самые богатые люди, платящие налог на верхнюю часть дохода по ставке 70 %, действительно увеличили налоговые поступления после предпринятого Рейганом снижения налогов[30]. Это создает несколько тревожную возможность того, что максимальное увеличение правительственных доходов может быть достигнуто за счет повышения налогов на представителей среднего класса, которым не останется ничего другого, кроме как продолжать работать, при одновременном снижении налогов на накопивших достаточно богатства богатых людей. Но если правительство введет налог, который покажется среднему классу слишком высоким, то возникнет реальная угроза сокращения деловой активности и, напротив, ее усиления в офшорных зонах. При таком развитии событий многим либералам придется примкнуть к точке зрения Милтона Фридмана: возможно, максимальное увеличение правительственных доходов – не такая уж хорошая идея.

Итоговый вывод Мэнкью довольно корректен: «Аргумент Лаффера нельзя назвать полностью необоснованным». Я бы воздал должное Лафферу в большей мере! Его рисунок проиллюстрировал фундаментальную и неопровержимую математическую идею: зависимость между налогообложением и налоговыми поступлениями в казну неизбежно носит нелинейный характер. Безусловно, кривая этой зависимости не обязательно должна представлять собой один ровный изгиб, как на рисунке Лаффера. Эта кривая может иметь форму трапеции.

Или напоминать по форме спину одногорбого верблюда.

Или иметь сильно осциллирующую форму[31]{20}.

В любом случае, если эта кривая направлена вверх в одном месте, она непременно развернется вниз в другом. Существует такая вещь, как чрезмерная мера шведскости. Ни один экономист не станет спорить с этим утверждением. Кроме того, сам Лаффер подчеркивал, что многие социологи понимали это задолго до него. Лаффер прекрасно осознавал, что его кривая не позволяет определить, является ли экономика той или иной страны обремененной слишком высокими налогами в данное время. Именно поэтому он не привел на своем рисунке никаких конкретных показателей. Когда во время слушаний в Конгрессе{21} один из участников задал вопрос о местоположении точки оптимального уровня налогообложения, Лаффер признал: «Я не могу определить этот уровень, но могу сказать, какими должны быть его характеристики, сэр». Кривая Лаффера говорит только о том, что при определенных обстоятельствах снижение налоговых ставок может привести к увеличению налоговых поступлений, однако определение этих обстоятельств требует выполнения глубоко продуманной, трудной эмпирической работы – работы, описание которой не поместится на салфетке.

С кривой Лаффера все в порядке, не совсем хорошо обстоит дело с тем, как ее используют. Последовавшие за дудочкой Ванниски политики стали жертвой старейшего ложного силлогизма, присутствующего в его книге:

Вполне возможно, что снижение налогов приведет к увеличению объема государственных доходов.

Мне хотелось бы, чтобы снижение налогов привело к увеличению объема государственных доходов.

Таким образом, это именно тот случай, когда снижение налогов приведет к увеличению объема государственных доходов[32].

Наверное, вы не думаете, что вам нужен профессиональный математик, который объяснит, что не все линии прямые. Однако линейные рассуждения присутствуют повсюду. Вы прибегаете к ним каждый раз, когда утверждаете, что если хорошо иметь нечто, то лучше иметь этого еще больше. Именно так рассуждают политические крикуны: «Вы поддерживаете военные действия против Ирана? Тогда, полагаю, вы предпочли бы осуществить сухопутную операцию против любой страны, которая лишь косо посмотрит в нашу сторону!» В то же время звучит и такое: «Хотите поддерживать взаимодействие с Ираном? Наверное, вы также считаете, что и Адольфа Гитлера просто неправильно поняли».

Почему такие рассуждения столь распространенны? Ведь даже малейшее умственное усилие с нашей стороны позволит осознать их ошибочность. Почему вообще у кого бы то ни было может хотя бы на мгновение возникнуть мысль, что все линии прямые, когда совершенно очевидно обратное?

Одна из причин заключается в следующем: в каком-то смысле они действительно прямые. История эта начинается с Архимеда.

Чему равна площадь данного круга?

В современном мире это настолько стандартная задача, что ее можно включать в SAT[33]. Площадь круга равна πr², а в нашем случае радиус равен 1, значит, площадь этого круга равна π. Однако две тысячи лет назад вопрос был открытым и настолько важным, что привлек внимание Архимеда.

Почему вопрос площади окружности оказался настолько сложным? Во-первых, на самом деле древние греки не считали π числом, как считаем мы. В их понимании все числа были целыми, то есть такими, с помощью которых можно что-то подсчитать: 1, 2, 3, 4… Однако теорема Пифагора[34] – первый большой прорыв в древнегреческой геометрии – превратила всю их систему счисления в руины.

Перейдем к следующему рисунку.

Теорема Пифагора гласит, что квадрат гипотенузы (сторона прямоугольного треугольника, которая нарисована здесь по диагонали и не проходит через прямой угол) равен сумме квадратов двух других сторон, или катетов. В данном примере квадрат гипотенузы равен 1² + 1² = 1 + 1 = 2. Это означает, что гипотенуза длиннее 1, но короче 2. Проверяется без всяких теорем – просто на глаз. Сам факт, что длина гипотенузы не представляет собой целое число, не был проблемой для древних греков. Может быть, мы просто измеряли все не в тех единицах. Если мы выберем такую единицу длины, чтобы длина катетов была равна 5 единицам, тогда вы с помощью линейки легко проверите, что в таком случае длина гипотенузы составит почти 7 единиц. Почти – но все-таки немного больше, поскольку квадрат гипотенузы равен:

5² + 5² = 25 + 25 = 50,

но если длина гипотенузы составляла бы 7 единиц, квадрат гипотенузы был бы равен 49.

А если мы взяли бы катеты длиной 12 единиц, длина гипотенузы была бы равна почти 17 единиц, но все же немного короче, поскольку 12² плюс 12² равно 288, что незначительно меньше чем 17², равное 289.

Примерно в V столетии до нашей эры один из представителей пифагорейской школы сделал потрясающее открытие: не существует способа измерить равнобедренный прямоугольный треугольник таким образом, чтобы длина каждой его стороны представляла собой целое число. Современный человек сказал бы, что «квадратный корень из 2 – это иррациональное число», то есть число, которое нельзя представить в виде соотношения двух целых чисел. Но пифагорейцы так не говорили. Разве могли они сказать нечто подобное? В основе их представлений о количестве лежала идея о соотношении целых чисел. Следовательно, в их понимании длина гипотенузы, как оказалось, вообще не есть число.

Это повлекло за собой неразбериху. Вы наверняка помните, что пифагорейцы были крайне своеобразными людьми. Их философия представляла собой рагу из суждений, часть которых мы назвали бы математикой, часть – религией и оставшуюся часть – психическим расстройством. Пифагорейцы были убеждены, что нечетные числа символизируют добро, тогда как четные – зло, что по ту сторону Солнца находится планета Антихтон (Антиземля, Противоземля), а также что нельзя есть бобы, как писали некоторые, потому, что в них находятся души умерших. Ходили слухи, будто Пифагор разговаривал с домашним скотом (он велел животным не есть бобы), а также что он был одним из немногих древних греков, носивших штаны{22}[35].

Математика пифагорейцев была неразрывно связана с их идеологией. Легенда (которая, возможно, не совсем соответствует действительности, но дает правильное представление о пифагорейском стиле) гласит, что первым пифагорейцем, открывшим иррациональность квадратного корня из 2, был человек по имени Гиппас; в награду за доказательство этой отвратительной теоремы соратники бросили его в море, где он и утонул.

Но теорему не утопишь. Преемники пифагорейцев, такие как Евклид и Архимед, понимали, что нужно просто закатать рукава и начать все измерять, даже если придется ради этого выйти за пределы высокой стены, окружавшей цветущий сад целых чисел, столь милый их сердцу. Никто не знал, можно ли выразить площадь круга с помощью одних только целых чисел[36]. Однако колеса необходимо строить, а силосные башни заполнять[37], а значит, такие измерения должны быть выполнены.

Первоначальную идею предложил Евдокс Книдский, а Евклид включил ее в 12-ю книгу «Начал». Однако именно Архимед довел их дело до конца. В наши дни мы называем этот подход методом исчерпывания. А начинается он вот с чего.

Изображенный на этом рисунке квадрат называется «вписанный квадрат»: каждый его угол только касается окружности, но не выходит за ее границы. Зачем это делать? Потому что круг – нечто загадочное и пугающее, тогда как с квадратом все просто и ясно. Если у вас есть квадрат, длина стороны которого равна Х, его площадь равна Х умножить на Х – именно поэтому мы и называем умножение числа на самого себя возведением в квадрат! Основное правило математической жизни гласит: если мироздание ставит перед вами сложную задачу, попытайтесь решить вместо нее более простую – с расчетом на то, что упрощенный вариант окажется настолько близким к первоначальной версии, что мироздание не станет возражать против такого решения.

Вписанный квадрат можно разбить на четыре треугольника, каждый из которых представляет собой не что иное, как равнобедренный прямоугольный треугольник, который мы только что нарисовали[38]. Следовательно, площадь такого квадрата в четыре раза больше площади треугольника. Треугольник в свою очередь – это то, что получится, если взять квадрат 1 × 1 и разрезать его пополам, как бутерброд с тунцом.

Площадь такого бутерброда равна 1 × 1 = 1, значит, площадь каждого треугольника равна ½, а площадь вписанного квадрата составляет четыре раза по ½, то есть 2.

Кстати, предположим вы не знакомы с теоремой Пифагора. Так вот, на всякий случай сообщаю: вы ее все-таки знаете! Или как минимум знаете, что она должна гласить применительно к данному прямоугольному треугольнику. Ведь прямоугольный треугольник, представляющий собой нижнюю часть нашего бутерброда, точно такой же, как и верхний левый фрагмент вписанного квадрата. А его гипотенуза – сторона вписанного квадрата. Следовательно, если вы возведете длину гипотенузы в квадрат, то получите площадь вписанного квадрата, которая равна 2. Другими словами, длина гипотенузы есть число, квадрат которого равен 2, или, если использовать привычную и более лаконичную формулировку, квадратный корень из 2.

Вписанный квадрат полностью находится в пределах окружности. Если его площадь равна 2, площадь круга должна составлять минимум 2 единицы.

Теперь давайте нарисуем другой квадрат.

Этот квадрат, который обозначается термином «описанный квадрат», также касается окружности всего в четырех точках, но теперь окружность находится внутри него. Длина сторон такого квадрата равна 2 единицам, значит, его площадь составляет 4 единицы. Следовательно, теперь мы знаем, что площадь круга равна максимум 4 единицам.

Возможно, иллюстрация того, что число π должно находиться в пределах от 2 до 4, производит не такое уж большое впечатление. Но Архимед только начинает. Возьмите четыре вершины вписанного квадрата и обозначьте на окружности новые точки, равноудаленные от каждой пары смежных вершин. Теперь у вас на окружности восемь точек, расположенных на равном расстоянии друг от друга. Соединив их, вы получите вписанный восьмиугольник, или, если говорить на техническом языке, «стоп-сигнал».

Вычислить площадь вписанного восьмиугольника немного труднее, но я не собираюсь утруждать вас тригонометрией. Важно, что мы по-прежнему имеем дело с прямыми и вершинами, а не с кривыми, поэтому данную задачу можно было решить с помощью методов, которые были в распоряжении Архимеда. Так вот, площадь восьмиугольника в два раза больше квадратного корня из 2, то есть примерно 2,83.

Вы можете сыграть в ту же игру с описанным восьмиугольником, площадь которого равна 8(√2 – 1), немногим более 3,31.

Таким образом, площадь круга находится в пределах от 2,83 до 3,31.

Но зачем останавливаться на этом? Вы можете обозначить на окружности точки, равноудаленные от вершин восьмиугольника (вписанного или описанного), – и получите шестнадцатиугольник; дополнительные тригонометрические расчеты покажут, что площадь круга находится в пределах от 3,06 до 3,18. Проведите процедуру еще раз, чтобы получить 32-угольник, а затем повторите снова и снова – и вскоре получите нечто похожее на такую фигуру.

Но разве это не окружность? Разумеется, нет! Это правильный многоугольник с 65 536 сторонами! Неужели вы не видите?

Великое озарение Евдокса и Архимеда состоит в том, что на самом деле не имеет значения, что это за фигура – окружность или многоугольник с очень большим количеством очень коротких сторон. Площади этих двух фигур достаточно близки для любых возможных целей. Площадь небольшой области между окружностью и многоугольником была «исчерпана» в процессе нашего неутомимого последовательного приближения. Да, окружность – это кривая, это действительно так. Но каждый крохотный фрагмент этой кривой можно приблизить к идеально прямой линии, подобно тому как крохотный кусочек поверхности Земли, на котором мы стоим, приближен к идеально ровной плоскости[39].

Следует запомнить девиз: локально прямая, глобально кривая.

Или лучше представьте: вы мчитесь по направлению к окружности с большой высоты; сначала вы видите всю окружность;

затем только один сегмент дуги окружности;

а затем еще более мелкий сегмент.

Продолжайте это до тех пор, пока, приближаясь все больше и больше, вы не увидите нечто напоминающее прямую линию. Ползущему по кругу муравью, видящему лишь пространство, непосредственно его окружающее, представляется, будто он ползет по прямой. Точно так же человеку, стоящему на поверхности Земли, кажется, что он стоит на плоскости (если только он не окажется настолько проницательным, что обратит внимание, как на горизонте поднимаются приближающиеся издалека объекты).

Теперь я хочу объяснить вам суть математического анализа. Готовы? Вот идея, за которую мы должны благодарить Исаака Ньютона: в идеальном круге нет ничего особенного. Каждая гладкая кривая при достаточном увеличении масштаба напоминает прямую линию[40]. Не имеет значения, насколько изогнута или закручена эта кривая, – главное, что у нее нет острых углов.

Когда вы запускаете ракету, траектория ее перемещения выглядит так.

Ракета сначала движется вверх, а затем вниз, образуя параболическую дугу. Сила тяжести изгибает любую траекторию движения по направлению к поверхности Земли; это один из самых фундаментальных законов нашей физической жизни. Но, если мы увеличим масштаб и рассмотрим очень короткий отрезок этой кривой, она будет выглядеть так.

Затем так.

Как и в случае окружности, траектория движения ракеты кажется прямой линией, направленной вверх под определенным углом. Безусловно, эта линия отклоняется под действием силы тяжести, но подобное отклонение слишком незначительно, чтобы увидеть его невооруженным глазом. Приближение к еще более мелкому участку кривой делает линию еще больше похожей на прямую. Чем больше приближение, тем ровнее участок кривой.

А теперь сделаем концептуальный скачок. Ньютон сказал: послушайте, давайте пойдем до конца. Уменьшайте поле зрения до тех пор, пока оно не станет бесконечно малой величиной – настолько малой, что она будет меньше любого размера, который вы можете назвать, но все же не равной нулю. Вы изучаете траекторию движения ракеты не на протяжении очень короткого периода, а в один момент времени. В таком случае то, что было почти прямой линией, становится в точности прямой. Наклон этой кривой Ньютон называл флюксией, а мы называем производной.

Именно этот скачок не был готов совершить Архимед. Он понимал, что многоугольники с более короткими сторонами все более и более приближаются к окружности, но он никогда не говорил о том, что в действительности окружность представляет собой многоугольник с бесконечно большим количеством бесконечно малых сторон.

Некоторые современники Ньютона также не разделяли его точку зрения. Наиболее активно возражал Ньютону Джордж Беркли, который критиковал концепцию бесконечно малых величин Ньютона в крайне издевательском тоне{23}, как, к сожалению, сейчас уже не пишут в математической литературе:

А что такое эти флюксии? Скорости исчезающих приращений. А что такое эти самые исчезающие приращения? Они не есть ни конечные величины, ни величины бесконечно малые, но они и не нули. Разве мы не имеем права назвать их призраками (ghosts) исчезнувших величин?[41]

Тем не менее исчисление бесконечно малых все-таки работает. Если вы раскрутите привязанный к веревке камень над головой, а затем резко отпустите его, он улетит по прямолинейной траектории с постоянной скоростью[42] в направлении, в котором, согласно расчетам, он движется в тот момент, когда вы его отпускаете. Это еще одна идея Ньютона: движущиеся объекты склонны перемещаться по прямолинейной траектории, если какая-то другая сила не заставляет объект отклоняться в ту или иную сторону. Это и есть одна из причин, почему линейное мышление настолько естественно для нас: интуитивное восприятие времени и движения формируется у нас под воздействием явлений, которые мы наблюдаем в окружающем мире. Еще до того, как Ньютон сформулировал свои законы, мы, люди, в глубине души знали, что все вокруг нас стремится двигаться по прямой, если только нет причин двигаться иначе.

Критики Ньютона в чем-то были правы: его толкование производной далеко от того, что в наши дни принято называть строгой математикой. Проблема заключается в концепции бесконечно малой величины, которая на протяжении тысяч лет была для математиков камнем преткновения. Трудности начались с древнегреческого философа V столетия до нашей эры Зенона, представителя Элейской школы, который часто задавал по поводу физического мира на первый взгляд невинные вопросы, неизменно перераставшие в серьезные философские дискуссии.

Представляю вам самый знаменитый парадокс Зенона в вольном переложении. Я решаю сходить в магазин за мороженым. Конечно, я не смогу преодолеть весь путь до магазина, пока не пройду половину этого пути. А как только я пройду половину пути, я все равно не смогу добраться до магазина, пока не преодолею половину оставшегося пути. Когда я сделаю это, мне все равно предстоит преодолеть половину оставшегося расстояния – и так далее. Я могу подходить к магазину все ближе и ближе, но, сколько бы этапов этого процесса я ни прошел, на самом деле мне так и не удастся добраться до магазина. У меня всегда будет оставаться пусть крохотное, но все же ненулевое расстояние до моих двух шариков мороженого. Эта аргументация применима к любому другому пункту назначения: в равной мере невозможно перейти улицу, или сделать один-единственный шаг, или взмахнуть рукой. Любое движение исключено.

Говорят, что киник Диоген опроверг доводы Зенона довольно простым методом: он встал и прошел из одного конца комнаты в другой. Это весьма хороший довод в пользу того, что движение все же возможно, а значит, что-то не так с доводами Зенона[43]. Но где же была ошибка?

Разбейте путь в магазин на фрагменты, представленные в числовой форме. Сначала вы проходите половину пути. Затем преодолеваете половину оставшегося пути, то есть 1/4 общего расстояния, и у вас остается еще 1/4 пути. Далее половина оставшегося расстояния составляет 1/8, затем 1/16, затем 1/32. Таким образом, ваше перемещение к магазину можно представить в следующем виде:

Комический актер Евгений Мирман часто рассказывает историю, имеющую прямое отношение к статистике. По его словам, он любит повторять на своих выступлениях одну фразу: «Я читал, что сто процентов американцев – азиаты». Какой-нибудь озадаченный зритель обязательно возразит: «Но Юджин, вы же не азиат». В ответе артиста и содержится вся соль шутки: «Но я читал, что я азиат!»

Я вспомнил эту реплику Мирмана, когда натолкнулся в журнале Obesity на статью, в заголовке которой был поставлен весьма неприятный вопрос: «Будут ли все американцы страдать избыточным весом и ожирением?»{27} Как будто одной постановки вопроса было недостаточно, в статье дается ответ: «Да – к 2048 году».

Ровно в 2048 году мне стукнет семьдесят семь, и хотелось бы верить, что в столь почтенном возрасте я все-таки останусь при своем весе и не буду страдать ожирением. Но я читал, что буду!

Статья в журнале Obesity вызвала широкие дискуссии в прессе. В новостях предупреждали о наступлении «ожирения как катастрофы современности»{28}. В Long Beach Press-Telegram была опубликована статья с простым заголовком: We’re Getting Fatter («Мы становимся все более толстыми»){29}. Результаты исследования, проведенного автором этой статьи, перекликались с последним проявлением лихорадочной, постоянно меняющейся озабоченности американцев по поводу морального статуса нашей страны. Еще до моего рождения парни отращивали длинные волосы, а значит, мы были обречены на то, что коммунисты одержат над нами верх. Когда я был ребенком, мы слишком много играли в аркадные игры[53], что обрекало нас на проигрыш в конкурентной борьбе с трудолюбивыми японцами. Сейчас мы едим слишком много фастфуда, поэтому умрем слабыми и неспособными к самостоятельному передвижению, в окружении пустых пакетов от курятины, запихнутых под диваны, с которых мы уже давно не в состоянии подняться. В статье эта озабоченность была представлена в качестве научно доказанного факта.

Спешу вас обрадовать. Не все из нас в 2048 году будут страдать ожирением{30}. Почему? Потому что не все линии прямые.

Тем не менее, как мы узнали от Ньютона, каждая линия достаточно близка к прямой. Эта идея лежит в основе линейной регрессии – статистического метода, имеющего для социологии то же значение, что и отвертка при ремонте дома. Это инструмент, которым вы почти наверняка воспользуетесь, какая бы задача перед вами ни стояла. Каждый раз, когда вы читаете в газете, что: люди, у которых много двоюродных братьев и сестер, чувствуют себя более счастливыми; граждане стран, где шире представлена сеть экспресс-кафе «Бургер Кинг», больше придерживаются свободной морали; сокращение приема ниацина повышает риск дерматофитоза в два раза; каждые 10 тысяч долларов дохода на 3 % повышают вероятность, что вы проголосуете за республиканцев, – во всех этих случаях вы имеете дело с результатом, полученным методом линейной регрессии[54].

Вот как это работает. Вы хотите установить взаимозависимость между двумя параметрами, скажем между стоимостью обучения в университете и средним баллом по отборочному тесту SAT принятых на учебу студентов. Возможно, вы считаете: чем выше средний балл SAT, тем дороже учебное заведение, – но посмотрите на данные, которые говорят, что это далеко не универсальный закон. В Университете Элона, расположенном на окраинах Берлингтона (штат Северная Каролина), средний совокупный результат по математике и английскому языку составляет 1217 баллов; при этом университет взимает плату за обучение в размере 20 441 доллара в год. Обучение в Колледже Гилфорда, расположенном рядом, в городе Гринсборо, обходится немного дороже – 23 420 долларов, но средний результат первокурсников по SAT составляет там всего 1131 балл.

Вместе с тем, если вы посмотрите на весь список учебных заведений Северной Каролины – тридцать один частный университет, данные об оплате за обучение и о среднем балле которых были представлены в 2007 году в «Сети ресурсов для построения карьеры штата Северная Каролина», – вы увидите четкую тенденцию{31}.

На представленном ниже рисунке каждая точка графика соответствует одному из колледжей. Вы видите те две точки, которые находятся в правом верхнем углу, с высоким средним баллом SAT и столь же высокой платой за обучение? Это Университет Уэйк Форест и Университет Дэвидсона. Одинокая точка в нижней части рисунка соответствует единственному частному учебному заведению в этом списке, плата за обучение в котором меньше 10 тысяч долларов, – Колледжу медицинских наук Кабаррус.

Данный рисунок четко показывает, что в учебных заведениях с более высоким средним баллом SAT цена за обучение, как правило, выше. Но насколько выше? Именно здесь на сцену выходит линейная регрессия. Очевидно, что точки на рисунке не образуют прямую линию, но видно, что они находятся не так уж далеко от прямой. Пожалуй, можно было бы вручную нарисовать прямую линию, проходящую посередине этого облака точек. Линейная регрессия исключает угадывание и позволяет найти прямую линию, максимально приближенную ко всем точкам[55]. В случае университетов штата Северная Каролина эта прямая выглядит так, как на следующем рисунке.

Коэффициент наклона изображенной на рисунке прямой равен 28. Это означает следующее: если плата за обучение зависела бы только от баллов SAT, которые задает прямая на графике, тогда на каждый балл SAT приходилось бы дополнительных 28 долларов платы за обучение. Если вам удалось бы поднять средний балл первокурсников на 50 пунктов, тогда вы могли бы назначить более высокую плату за обучение – на 1400 долларов. (Или, с точки зрения родителей, если ваш ребенок на 100 баллов улучшит свой результат отборочного теста, это обойдется вам в дополнительных 2800 долларов в год. Курс по подготовке к тесту оказался более дорогим, чем вы думали!)

Линейная регрессия представляет собой замечательный инструмент: гибкий, масштабируемый и легкий в применении (вы просто нажимаете соответствующую кнопку электронной таблицы). Этот инструмент можно применять к двум наборам данных с участием двух переменных, как в приведенном выше примере, но он работает не менее эффективно и в случае трех или даже тысячи переменных. Каждый раз, когда вам нужно понять, как одни переменные меняют другие переменные и в каком направлении, линейная регрессия – это первое, что следует использовать. Этот инструмент применим буквально к любому набору данных.

Однако в этом заключается не только сильная, но и слабая сторона линейной регрессии. Вы можете применить этот метод, не задумываясь, действительно ли феномен, который вы пытаетесь моделировать, близок к линейному. Но вы не должны так делать. Я сказал, что линейная регрессия подобна отвертке – что действительно так; однако в другом смысле она скорее напоминает циркулярную пилу. Если вы примените этот инструмент без тщательного анализа того, что вы делаете, результаты могут оказаться плачевными.

Возьмем в качестве примера ракету, которую мы с вами запустили в предыдущей главе. Возможно, вы не имеете никакого отношения к ее запуску. А может быть, напротив, представляете собой ту цель, на которую эта ракета направлена. В последнем случае вы особенно заинтересованы в как можно более точном анализе траектории движения ракеты.

Вы могли бы нанести на график положение ракеты по вертикали в пяти точках по времени. Такой график выглядит следующим образом.

Теперь вы в состоянии быстро выполнить линейную регрессию, получив замечательный результат: линию, которая проходит почти через все точки на графике.

(В этот момент ваша рука начинает приближаться к острому полотнищу циркулярной пилы.)

Построенная вами линия представляет собой весьма точную модель движения ракеты: за каждую минуту ракета поднимается вверх на определенное фиксированное расстояние, скажем на 400 метров. Через час ракета окажется в 24 километрах над поверхностью земли. Когда же она опустится на поверхность? Никогда! Направленная вверх наклонная прямая линия по-прежнему стремится вверх. Именно так ведут себя прямые.

(Кровь, травмы, вопли.)

Однако не каждая линия является прямой. А траектория полета ракеты несомненно представляет собой не прямую, а параболу. Подобно окружности Архимеда, вблизи она действительно похожа на прямую, поэтому линейная регрессия сослужит вам большую службу, позволив определить местоположение ракеты через пять секунд после запуска. Но через час? Даже не думайте об этом. Ваша модель говорит о том, что через час ракета находится в нижних слоях стратосферы, хотя на самом деле она, возможно, уже приближается к вашему дому.

Возможно, самое образное предостережение в отношении бездумной линейной экстраполяции сформулировал не статистик, а Марк Твен в романе Life on the Mississippi («Жизнь на Миссисипи»):

…Длина Миссисипи между Каиром и Новым Орлеаном сто семьдесят шесть лет тому назад была тысяча двести пятнадцать миль. После прорыва русла в 1722 году длина стала тысяча сто восемьдесят миль. Когда образовался рукав у Американской излучины, длина стала тысяча сорок миль. С тех пор этот участок реки укоротился еще на шестьдесят семь миль. Следовательно, сейчас ее длина между Каиром и Новым Орлеаном всего девятьсот семьдесят три мили.

…За сто семьдесят шесть лет Нижняя Миссисипи укоротилась на двести сорок две мили, то есть в среднем примерно на милю и одну треть в год. Отсюда всякий спокойно рассуждающий человек, если только он не слепой и не совсем идиот, сможет усмотреть, что в древнюю силурийскую эпоху, – а ей в ноябре будущего года минет ровно миллион лет – Нижняя Миссисипи имела свыше миллиона трехсот тысяч миль в длину и висела над Мексиканским заливом наподобие удочки. Исходя из тех же данных, каждый легко поймет, что через семьсот сорок два года Нижняя Миссисипи будет иметь только одну и три четверти мили в длину, а улицы Каира и Нового Орлеана сольются, и будут эти два города жить да поживать, управляемые одним мэром и выбирая общий городской совет. Все-таки в науке есть что-то захватывающее. Вложишь какое-то пустяковое количество фактов, а берешь колоссальный дивиденд в виде умозаключений. Да еще с процентами[56].

Методы математического анализа во многом похожи на линейную регрессию: они носят сугубо механический характер, с ними вполне может справиться ваш калькулятор, а невнимательное применение этих методов сопряжено с большими опасностями. На экзамене по матану вам могут предложить рассчитать вес воды, оставшейся в кувшине после того, как вы проделаете в нем отверстие и позволите воде вытекать определенным потоком на протяжении определенного промежутка времени, и тому подобное. Решая задачу такого рода в условиях нехватки времени, вполне можно сделать арифметические ошибки. Порой это приводит к тому, что тот или иной студент получает нелепый результат, например что вес воды в кувшине составляет −4 грамма.

Если студент получает результат «−4 грамма» и в отчаянии торопливо пишет «Я где-то напортачил, но не могу найти ошибку», я даю такому студенту половину зачетных баллов за экзамен.

Если же студент просто пишет «−4 грамма» в конце страницы и обводит этот результат кружком, он получает ноль зачетных баллов – даже если вся процедура вывода этого результата была правильной, за исключением того, что где-то посередине страницы единственная цифра оказалась не на своем месте.

Вычисление интеграла или выполнение линейной регрессии – это задачи, которые достаточно эффективно может решать компьютер. Понимание того, имеет ли полученный результат смысл (или принятие решения, стоит ли вообще применять соответствующий метод в данном случае), требует направляющей человеческой руки. Когда мы преподаем математику, предполагается, что нужно объяснить учащимся, как стать таким проводником. Курс математики, который не делает этого, по существу учит студента выполнять функции дефектной версии Microsoft Excel.

Будем откровенны: именно это и происходит на большинстве наших математических курсов. Сокращенная история споров (сама представляющая собой предмет споров) состоит в том, что преподавание математики детям вот уже несколько десятилетий является ареной так называемых математических войн. По одну сторону этого противостояния находятся учителя, которые предпочитают делать акцент на запоминании, беглости, традиционных алгоритмах и точных ответах, а по другую сторону – учителя, считающие, что в основе преподавания математики должно лежать выяснение смысла, развитие способов мышления, обучение методом направляемых открытий и аппроксимация. Первый подход называют порой традиционным, а второй – реформистским, хотя предположительно нетрадиционный подход к обучению посредством открытий используется в той или иной форме вот уже десятки лет, а действительно ли так называемые реформы можно считать реформами – это и есть предмет споров. Споров весьма ожесточенных. Во время званого математического ужина вполне прилично обсуждать политические или религиозные вопросы, но начните спорить о математической педагогике – и это грозит закончиться тем, что кто-то из сторонников либо традиционного, либо реформистского подхода обидится и хлопнет дверью.

Я не причисляю себя ни к одному из этих лагерей. Мне не по пути с теми реформистами, которые хотят отказаться от заучивания таблицы умножения наизусть. В процессе серьезных математических размышлений вам неизбежно понадобится умножить 6 на 8, но, если каждый раз для этого доставать калькулятор, вам не удастся достичь того состояния интеллектуальной спонтанности, которая требуется для процесса размышлений. Нельзя написать сонет, выискивая в словаре значение каждого слова.

Некоторые сторонники реформистского подхода заявляют, что классические алгоритмы (например, «сложить два двузначных числа, расположив одно над другим столбиком и в случае необходимости выполнив перенос») следует исключить из учебного курса, чтобы они не мешали ученикам самостоятельно обнаруживать свойства математических объектов[57].

С одной стороны, я считаю эту мысль ужасной: такие алгоритмы представляют собой полезные инструменты, над разработкой которых кто-то упорно работал, и нет никаких оснований начинать все с нуля.

С другой стороны, мне кажется, что в современном мире вполне можно отказаться от некоторых алгоритмов. Например, нам нет необходимости учить студентов извлекать квадратные корни вручную или в уме (хотя второй из этих двух навыков, говорю вам по собственному опыту, можно использовать в качестве замечательного фокуса на вечеринке в кругу яйцеголовых). Калькулятор – не менее полезный инструмент, над созданием которого кто-то упорно трудился; мы также должны использовать этот инструмент, когда того требует ситуация! Меня даже не интересует, могут ли мои студенты разделить 430 на 12 посредством деления столбиком. Меня на самом деле волнует лишь одно: они должны мысленно определить, что ответ немногим больше 35 – тогда я буду спокоен, что у них прекрасно развиты арифметическое мышление и представление о числах.

Опасность чрезмерного акцента на алгоритмах и точных вычислениях состоит в том, что к ним слишком легко получить доступ. Если мы остановимся на видении математики как дисциплины, которая сводится к «получению правильного ответа» и не более того, мы начнем тестировать абитуриентов на наличие только этой способности и рискуем тем, что будем воспитывать студентов, которые получают по тестам отличные результаты, но совсем не знают математики. Может быть, это устраивает тех, кого интересуют одни лишь результаты тестов, но это не устраивает меня.

Безусловно, совсем не лучше – на самом деле даже гораздо хуже – создавать популяцию студентов, у которых сформировалось некое понимание математического смысла, но не умеющих быстро и правильно решать примеры. Преподаватели математики больше всего не любят слышать от студентов заявления такого рода: «Я понимаю концепцию, но не умею решать задачи». Возможно, такие студенты даже не догадываются, что их фраза подразумевает следующее: «Я не понимаю концепции». Математические идеи могут казаться абстрактными, но они имеют смысл только в контексте конкретных вычислений. Уильям Карлос Уильямс[58] сформулировал эту мысль так: «Нет идей вне вещей».

Эта борьба нигде не проявляется более отчетливо, чем в планиметрии[59]. Здесь находится последний бастион обучения построению доказательств, которые лежат в основе преподавания математики. Многие профессиональные математики считают доказательство последним оплотом «истинной математики». Однако не совсем понятно, в какой степени мы на самом деле учим красоте, силе и неожиданности доказательства в процессе преподавания геометрии. Учебный курс легко может превратиться в рутинную отработку таких бесполезных и неинтересных задач, как вычисление тридцати определенных интегралов. Это настолько серьезная ситуация, что лауреат Филдсовской премии Дэвид Мамфорд предположил: мы можем полностью отказаться от планиметрии, заменив ее начальным курсом программирования. Компьютерная программа имеет много общего с геометрическим доказательством: и то и другое требует, чтобы студент собрал один за другим воедино ряд простых элементов, выбранных из небольшой совокупности вариантов, так, чтобы в целом сформированная последовательность выполняла ту или иную значимую задачу.

Я не настолько радикален. Я вообще не отношусь к числу радикалов. Хотя это и может вызвать недовольство сторонников обоих подходов, я считаю, что мы должны преподавать математику, в которой высоко ценятся как точные ответы, так и интеллектуальная аппроксимация; математику, требующую как способности свободно применять существующие алгоритмы, так и простого здравого смысла, помогающего находить спонтанные решения; математику, в которой научная строгость сочетается с ощущением игры. Откровенно говоря, если всего этого нет, мы вообще преподаем не математику.

Трудная задача, но именно этим занимаются лучшие преподаватели математики, пока наверху среди администраторов бушуют математические войны.

Так сколько американцев будут страдать ожирением к 2048 году? Вы уже догадываетесь, как Юфа Ванг и другие авторы статьи, опубликованной в журнале Obesity, построили свою проекцию. Национальная программа проверки здоровья и питания населения (National Health and Nutrition Examination Study, далее везде – NHANES) отслеживает данные о состоянии здоровья большой репрезентативной выборки граждан, охватывающие самые разные аспекты: от потери слуха до передачи инфекций половым путем. В частности, NHANES предоставляет весьма достоверные данные о доле американцев, имеющих избыточный вес; его в данном случае можно определить как вес, при котором индекс массы тела (далее везде – ИМТ)[60] равен 25 и более[61]. Нет никаких сомнений в том, что за последние десятилетия распространенность избыточного веса увеличилась. В начале 1970-х годов чуть менее половины американцев имели столь высокий ИМТ. В начале 1990-х этот показатель возрос до 60 %, а в 2008 году избыточный вес был почти у трех четвертей населения США.

Вы можете самостоятельно построить график роста распространенности ожирения во времени, как мы сделали это с вертикальным перемещением ракеты.

Далее вы можете сформировать линейную регрессию, которая будет выглядеть примерно так.

Прямая линия пересечет уровень 100 % в 2048 году. Именно поэтому Ванг пишет, что к 2048 году все американцы будут страдать избыточным весом, если текущая тенденция сохранится.

Но текущая тенденция не сохранится. Это просто невозможно! Если было бы так, то к 2060 году уже 109 % американцев имели бы избыточный вес[62].

В действительности график, отображающий рост доли людей с избыточным весом, изгибается к 100 % следующим образом.

Этот закон отнюдь не незыблем, как и в случае, когда сила тяжести изгибает траекторию движения ракеты в виде параболы, однако он близок к реальности с медицинской точки зрения. Чем больше доля людей с избыточным весом, тем меньше остается худощавых людей, которые могли бы стать толстыми, и тем медленнее доля людей с избыточным весом приближается к 100 %. На самом деле в какой-то точке ниже 100 % эта кривая перейдет в горизонтальную линию. Худые всегда будут с нами! В действительности четыре года спустя по результатам опроса NHANES было установлено, что распространенность избыточного веса начала замедляться{32}.

Однако статья в журнале Obesity скрывает еще худшее преступление против математики и здравого смысла. Сделать линейную регрессию довольно легко – и как только вы выполнили ее один раз, возникает соблазн делать это и дальше. Поэтому Ванг и его коллеги разбили свои данные на категории по этнической и половой принадлежности. Например, оказалось, что чернокожие мужчины с меньшей вероятностью имеют избыточный вес, чем американцы в целом. Еще важнее, что среди чернокожих мужчин количество людей с избыточным весом увеличивалось в два раза медленнее. Если мы отобразим на одном рисунке графики увеличения доли людей с избыточным весом среди чернокожих мужчин и среди всех американцев, а также линейную регрессию, построенную Вангом и его коллегами, получится следующая картина.

Молодцы, чернокожие! Вы не будете жирными вплоть до 2095 года, а в 2048 году ожирение распространится лишь у 80 %.

Видите, в чем проблема? Если предполагается, что в 2048 году все американцы будут иметь избыточный вес, где же будут те чернокожие мужчины, у которых не возникнет в будущем никаких проблем с весом? За пределами страны?

В статье это противоречие осталось без внимания. А ведь это эпидемиологический эквивалент утверждения о −4 граммах воды в кувшине. Ноль зачетных баллов.

Насколько серьезен конфликт на Ближнем Востоке? Эксперт по вопросам борьбы с терроризмом Дэниел Баймен из Джорджтаунского университета приводит в Foreign Affairs холодные, безжалостные цифры: «Израильские военные сообщают о том, что с начала второй интифады [2000 год. – Д. Э.] до конца октября 2005 года палестинцы убили 1074 и ранили 7520 израильтян – для такой маленькой страны поразительные данные, пропорциональный эквивалент которых составляет 50 тысяч убитых и 300 тысяч раненых американцев»{33}. Такие подсчеты часто используются во время обсуждения ситуации в ближневосточном регионе. В декабре 2001 года Палата представителей Конгресса США заявила о том, что гибель 26 человек во время серии атак в Израиле «пропорционально смерти 1200 американцев»{34}. Ньют Гингрич писал в 2006 году{35}: «Помните о том, что, когда Израиль теряет восемь человек, с учетом разницы в численности населения это эквивалентно потере почти 500 американцев»{36}. Не желая уступать авторам этих высказываний, Ахмед Мур написал в Los Angeles Times следующее: «Когда во время операции “Литой свинец” в секторе Газа Израиль убил 1400 палестинцев – что пропорционально 300 тысячам американцев, – будущий президент Обама хранил молчание»{37}.

Риторика с использованием пропорций не является исключительным правом, закрепленным лишь за Святой землей. Джеральд Каплан писал в 1988 году: «За последние восемь лет погибли, ранены или похищены с обеих сторон противостояния около 45 тысяч никарагуанцев – это эквивалентно 300 тысячам канадцев или 3 миллионам американцев»{38}. Министр обороны США в период Вьетнамской войны Роберт Макнамара сказал в 1997 году, что почти 4 миллиона погибших во время войны вьетнамцев «эквивалентны 27 миллионам американцев»{39}. Каждый раз, когда в какой-либо небольшой стране погибает много людей, авторы редакционных статей достают свои логарифмические линейки и начинают подсчитывать: сколько этих погибших «укладывается» в мертвых американцах?

Вот как можно получить эти цифры. Погибшие от рук террористов 1074 израильтян составляют 0,015 % от общей численности населения Израиля (которая в период с 2000 по 2005 год составляла от 6 до 7 миллионов). Далее все эти эксперты приходят к выводу, что смерть 0,015 % американского населения (что составляет около 50 тысяч человек) имела бы в данном случае такой же эффект.

Это линеоцентризм в чистейшей форме. Согласно аргументации с использованием пропорций, эквивалент 1074 израильтян в любой точке земного шара можно найти с помощью такого графика.

Количество израильских жертв – 1074 человек – эквивалентно 7700 испанцев или 223 тысяч китайцев, но всего 300 словенцев и одному или двум тувалуанцам.

Со временем (а может быть, и с самого начала?) такая аргументация начинает рушиться. Когда в момент закрытия в баре остается два человека и один из них сбивает с ног другого, это совсем не эквивалентно тому, что в это же время удар получают 150 миллионов американцев.

Еще один пример. Все согласны с тем, что одно из самых страшных преступлений столетия – когда в 1994 году было уничтожено 11 % населения Руанды. Но мы не рассуждаем об этом кровопролитии так: «С точки зрения Европы сороковых это было в девять раз хуже холокоста». Малейшая попытка сделать это вызвала бы настоящее отвращение.

Вот одно из важнейших правил математической гигиены: когда вы проверяете на практике тот или иной математический метод, попробуйте выполнить одни и те же расчеты несколькими разными способами. Если получите в результате разные ответы, значит, с вашим методом что-то не так.

Возьмем такой пример. На железнодорожном вокзале Аточа в результате взрыва бомбы в 2004 году погибло 200 человек[63]. Каким был бы эквивалентный итог взрыва бомбы на Центральном железнодорожном вокзале в Нью-Йорке?

Численность населения Соединенных Штатов Америки в семь раз превышает численность населения Испании. Следовательно, если представить 200 человек как 0,0004 % от населения Испании, эквивалентный террористический акт в США привел бы к гибели 1300 человек. С другой стороны, 200 человек составляют 0,006 % от населения Мадрида; пропорциональное увеличение этого количества с учетом численности населения Нью-Йорка, которая в два с половиной раза больше населения Мадрида, дает 463 жертвы. Или нам следует сопоставить провинцию Мадрид со штатом Нью-Йорк? В таком случае мы получили бы цифру около 600 жертв. Такую неоднозначность результатов необходимо расценивать как тревожный сигнал: метод пропорций не внушает доверия.

Безусловно, нельзя полностью отбросить пропорции. Пропорции действительно важны! Если вы хотите выяснить, в каком регионе Америки наиболее остро стоит проблема заболеваемости раком мозга, нет смысла смотреть на штаты с самым большим количеством смертных случаев от рака мозга. В таких штатах, как Калифорния, Техас, Нью-Йорк и Флорида, самый высокий уровень заболеваемости раком мозга, поскольку в них самая большая численность населения{40}. Стивен Пинкер подчеркивает эту мысль в книге 2011 года, сразу ставшей бестселлером, – The Better Angels of Our Nature: Why Violence Has Declined («Лучшие стороны нашей натуры: почему насилия становится меньше»), – где он утверждает, что на протяжении всей истории человечества происходит устойчивое снижение уровня насилия. Двадцатое столетие получило дурную репутацию из-за огромного количества людей, попавших под жернова политических распрей между великими державами. Однако в действительности нацисты, Советы, коммунистическая партия Китая и колониальное господство, по мнению Пинкера, были с пропорциональной точки зрения не самыми эффективными виновниками массовых убийств: в наши дни погибает столько же людей! Сейчас мы не выражаем особой горечи по поводу давних кровопролитий во времена Тридцатилетней войны. Однако эта война проходила в менее населенном мире, и, по оценкам Пинкера, в ней погиб каждый сотый человек на Земле. В современном мире это означало бы уничтожение 70 миллионов человек, что больше количества погибших в обеих мировых войнах.

Следовательно, лучше анализировать относительные показатели: количество смертельных случаев как долю от общей численности населения. Например, вместо подсчета общего количества смертельных случаев от рака мозга по штатам мы можем рассчитать долю людей, ежегодно умирающих от рака мозга, в общей численности населения штата. Южная Дакота занимает весьма неприятное первое место: в этом штате за год происходит 5,7 смертельного случая от рака мозга на каждые 100 тысяч человек, что существенно превышает средний показатель по стране, составляющий 3,4 смертельного случая. После Южной Дакоты в этом списке следуют такие штаты, как Небраска, Аляска, Делавэр и Мэн. Создается впечатление, что существуют такие места, в которых лучше не жить, если не хочешь заболеть раком мозга. Тогда куда лучше переехать? В конце списка вы найдете штаты Вайоминг, Вермонт, Северная Дакота, Гавайи и округ Колумбия.

А вот это уже странно. Почему в Южной Дакоте самый высокий уровень заболеваемости раком мозга, а в Северной Дакоте почти нет онкологических заболеваний? Почему в Вермонте вы были бы в безопасности, а в штате Мэн оказались бы под угрозой?

Даю ответ: дело не в том, что в Южной Дакоте что-то способствует возникновению рака мозга, а в Северной Дакоте делают все, чтобы его предотвратить. У штатов, занявших первые пять мест и последние пять мест, есть нечто общее. В обоих случаях это одно и то же, а именно: там почти никто не живет. Из девяти штатов (и одного округа), оказавшихся в первых и последних строках списка, самый большой – штат Небраска, в настоящее время он борется со штатом Западная Виргиния за 37-е место по численности населения. Создается впечатление, что проживание в маленьком штате или повышает, или существенно снижает риск заболеть раком мозга{41}.

Поскольку это лишено смысла, нам лучше поискать другое объяснение.

В надежде понять, что происходит, предлагаю провести воображаемую игру, которую мы назовем «Кто лучше всех подбросит монету». Игра очень простая. Вы подбрасываете какое-то количество монет, а побеждает тот, у кого больше всего монет упадет вверх лицевой стороной (аверс). Чтобы несколько разнообразить игру, представим, будто не у всех ее участников одинаковое количество монет. У Малой команды всего по десять монет на каждого человека, тогда как у Большой команды на каждого приходится по сто монет.

Если подсчитывать только абсолютное количество монет, упавших лицевой стороной вверх, одно можно утверждать почти наверняка: победителем в этой игре станет кто-то из Большой команды. Этот кто-то получит около 50 аверсов – показатель, который ни один участник Малой команды просто не сможет потянуть. Даже если в Малой команде было бы сто игроков, самый результативный из них получит восемь-девять монет, выпавших лицевой стороной вверх[64].

Кажется, это крайне несправедливо! У Большой команды с самого начала имеется большее преимущество. Давайте вместо подсчета абсолютного количества монет, выпавших той или иной стороной, будем определять победителя по относительной доле выпавших монет, что должно создать для двух команд более равные условия.

Но этого не происходит. Как я уже сказал, если в Малой команде было бы сто игроков, минимум один из них мог бы выбить хотя бы восьми-девяти аверсов. Следовательно, в результате он получит минимум 80 % монет, выпавших лицевой стороной вверх. А как насчет Большой команды? Ни один из ее игроков не получит 80 % орлов. Безусловно, физически такое возможно. Тем не менее этого не случится. На самом деле вам понадобилось бы около двух миллиардов игроков в составе Большой команды, чтобы появилась довольно высокая вероятность получения результата, свидетельствующего о серьезном перевесе. Разве не об этом говорит ваше интуитивное представление о правдоподобии? Чем больше монет вы подбрасываете, тем больше вероятность того, что вы приблизитесь к результату 50 на 50.

Вы можете попытаться сами! Я так и сделал, и вот что произошло. Многократно подбрасывая десять монет подряд, как это сделали бы игроки Малой команды, я получил такую последовательность количества монет, выпавших лицевой стороной вверх:

4, 4, 5, 6, 5, 4, 3, 3, 4, 5, 5, 9, 3, 5, 7, 4, 5, 7, 7, 9…

С сотней монет, как в случае Большой команды, я получил такую последовательность:

46, 54, 48, 45, 45, 52, 49, 47, 58, 40, 57, 46, 46, 51, 52, 51, 50, 60, 43, 45…

А в случае тысячи монет последовательность оказалась такой:

486, 501, 489, 472, 537, 474, 508, 510, 478, 508, 493, 511, 489, 510, 530, 490, 503, 462, 500, 494…

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).

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.

Однако не всякая рейтинговая система разработана настолько грамотно, чтобы принимать во внимание закон больших чисел. В штате Северная Каролина, как и во многих других штатах в эпоху образовательной отчетности, были введены программы мотивации, рассчитанные на школы, добивающиеся высоких результатов по стандартизованным тестам. Рейтинг каждой школы определяется по среднему увеличению количества баллов, полученных учениками по тестам за период с весны текущего до весны следующего года. Школы, занявшие в рейтинге по данному показателю первые 25 мест, вывешивают свой плакат в спортивном зале и получают право с гордостью говорить о своих достижениях в близлежащих городах.

Кто побеждает в таком соревновании? Например, в 1999 году первое место в рейтинге (с «суммарным показателем результативности», равным 91,5) заняла начальная школа C. C. Wright Elementary в Северном Уилксборо. Это небольшая школа (всего 418 учеников), расположенная в штате, в котором средняя численность учеников начальных школ составляет 500 детей. Второе место заняла школа Kingswood Elementary (90,9 балла), за ней следует школа Riverside Elementary (90,4 балла). В школе Kingswood насчитывалось лишь 315 учеников, а в начальной школе Riverside из аппалачского городка Ньюленд учился только 161 ребенок{44}.

Получается, что по данному показателю небольшие школы обошли все остальные школы штата Северная Каролина. Томас Кейн и Дуглас Стейджер провели исследование, в ходе которого было установлено, что в тот или иной момент семилетнего периода, охваченного исследованием, 28 % самых маленьких школ штата попадали в первые 25 мест рейтинга; при этом из всех школ только 7 % школ получали право вывесить плакат в спортзале{45}.

Создается впечатление, что в маленьких школах уделяется больше времени для индивидуального обучения, поскольку учителя хорошо знают своих учеников и их семьи, и поэтому они лучше справляются с повышением результатов тестов.

Может быть, мне следует упомянуть, что статья Кейна и Стейджера называется так: The Promise and Pitfalls of Using Imprecise School Accountability Measures («Перспективы и подводные камни использования неточных показателей школьной отчетности»). Кроме того, нелишне отметить, что небольшие школы в среднем не демонстрируют тенденции к получению существенно более высоких результатов по тестам. И еще не мешало бы добавить, что школы, куда были направлены «группы по оказанию поддержки» (речь идет о школах, получивших от властей штата взбучку за низкие результаты по тестам), в большинстве своем также относились к числу небольших школ.

Короче говоря, насколько нам известно, школа Riverside не может считаться одной из лучших начальных школ штата Северная Каролина, так же как и Армон Джонсон не может быть самым метким снайпером в лиге. Небольшие школы занимают большинство из первых 25 мест в рейтинге не потому, что они лучшие, а потому что в маленьких школах более высокий уровень вариабельности результатов тестов. С одной стороны, несколько одаренных детей и несколько двоечников из третьего класса в состоянии существенно изменить средний показатель школы. С другой стороны, в крупной школе воздействие нескольких очень высоких или очень низких результатов просто растворится в большом среднем значении, практически не изменив общего показателя.

Не совсем ясно, по каким критериям определять, почему одна школа самая лучшая и почему граждане одного штата больше всего подвержены онкологическим заболеваниям, когда вычисление простых средних показателей не позволяет сделать этого? Если вы руководите работой многих групп, как вычислить эффективность каждой из них, если более мелкие группы с большой вероятностью займут как верхние, так и нижние позиции вашего рейтинга?

К сожалению, легкого ответа на этот вопрос не существует. Если в таком крохотном штате, как Южная Дакота, имеет место резкое увеличение уровня заболеваемости раком мозга, вы можете предположить, будто этот всплеск в значительной мере произошел по воле случая, и сделать вывод, что в будущем уровень заболеваемости раком мозга приблизится к общему показателю по стране. Это можно сделать, вычислив взвешенное среднее от уровня заболеваемости в Южной Дакоте и в целом по стране. Но как взвесить два данных показателя? В какой-то мере это искусство, требующее больших затрат труда на выполнение формальных операций, от описания которых я вас здесь избавлю{46}.

Один важный факт впервые обнаружил Абрахам де Муавр, который внес большой вклад в теорию вероятностей. Его книга The Doctrine of Chances («Теория случайностей») стала одним из ключевых трудов по этому предмету.

(Даже в те времена популяризация математических достижений представляла собой активную область. Эдмонд Хойл, чтобы помочь любителям азартных игр освоить новую теорию, написал учебный трактат An Essay Towards Making the Doctrine of Chances Easy to those who Understand Vulgar Arithmetic only, to which is added some useful tables on annuities («Исследование, предназначенное, чтобы сделать “теорию случайностей” более понятной для людей, понимающих только простую арифметику, а также несколько полезных таблиц аннуитетов»). Авторитет Хойла в вопросах карточных игр был настолько велик, что многие до сих пор ссылаются на его мнение; в определенной среде нередко можно услышать расхожие фразы: «По утверждению Хойла», «По правилам Хойла».)

Де Муавра не удовлетворял закон больших чисел, гласивший, что в долгосрочной перспективе доля аверсов в последовательности подбрасываний монет все больше приближается к 50 %. Он хотел знать, насколько ближе. Чтобы понять сделанное Муавром открытие, предлагаю вернуться к подбрасыванию монет и еще раз проанализировать этот феномен. Но теперь вместо перечисления общего количества монет, выпавших лицевой стороной вверх, мы будем записывать разность между количеством фактически выпавших аверсов и количеством аверсов, выпадания которых можно ожидать в случае 50 % подбрасываний.

Если подбрасывать десяток монет, вы получите такую последовательность:

1, 1, 0, 1, 0, 1, 2, 2, 1, 0, 0, 4, 2, 0, 2, 1, 0, 2, 2, 4…

Если подбрасывать сотню монет, последовательность выглядит так:

4, 4, 2, 5, 2, 1, 3, 8, 10, 7, 4, 4, 1, 2, 1, 0, 10, 7, 5…

А в случае тысячи монет будет получена такая последовательность:

14, 1, 11, 28, 37, 26, 8, 10, 22, 8, 7, 11, 11, 10, 30, 10, 3, 38, 0, 6…

Как видите, отклонения от 50 на 50 в абсолютном выражении становятся больше по мере увеличения количества подбрасываний монет, хотя (как того требует закон больших чисел) эти отклонения становятся меньше в случае относительной доли монет, выпавших той или иной стороной. Де Муавр пришел к выводу, что типичное отклонение[69] зависит от квадратного корня из количества монет, которые вы подбрасываете. Подбросьте в сто раз больше монет, чем раньше, и типичное отклонение возрастет в 10 раз – во всяком случае, в абсолютном выражении. В случае доли от общего количества подбрасываний отклонение сокращается по мере увеличения количества монет, поскольку квадратный корень из количества монет увеличивается гораздо медленнее, чем само количество монет. Тот, кто подбрасывает тысячу монет, порой отклоняется от уровня равномерного распределения на целых 38 аверсов, однако – с точки зрения доли от общего количества бросков – это составляет всего 3,8 % от распределения 50 на 50.

Наблюдение де Муавра совпадает с концепцией, лежащей в основе расчетов стандартной погрешности в результатах политического опроса. Если вы хотите сократить уровень погрешности в два раза, вам необходимо опросить в четыре раза больше людей. Но если вы хотите знать, как правильно оценить довольно большое количество выпавших аверсов, можно определить, на сколько квадратных корней из числа попыток данное значение отклоняется от 50 %. Квадратный корень из 100 равен 10. Следовательно, если я получил 60 аверсов за 100 попыток, это и есть отклонение на один квадратный корень от распределения 50 на 50. Квадратный корень из 1000 равен почти 31; следовательно, если я получил 538 аверсов за 1000 попыток, значит, мне удалось совершить нечто еще более удивительное, хотя во втором случае я получил всего 53,8 % аверсов, тогда как в первом случае – 60 %.

Однако де Муавр еще не поставил точку в своих изысканиях. Он обнаружил, что в долгосрочной перспективе отклонения от 50 на 50 всегда стремятся сформировать идеальную колоколообразную кривую, которую мы называем нормальным распределением. Основоположник статистики Фрэнсис Исидор Эджуорт предложил называть эту кривую шлемом жандарма{47}. (Должен признаться, мне жаль, что этот термин не прижился.)

Колоколообразная кривая («шлем жандарма») высокая посередине и плоская по краям; другими словами, чем дальше отклонение от нуля, тем меньше вероятность такого отклонения. Это можно точно представить в количественной форме. Если вы подбрасываете N монет, вероятность того, что в итоге вы отклонитесь от 50 % не более чем на квадратный корень из N, составляет 95,45 %. Квадратный корень из 1000 равен 31; в действительности восемнадцать из представленных выше двадцати попыток в случае подбрасывания тысячи монет (или 90 %) были в пределах 31 аверсов больше или меньше 500. Если я продолжил бы игру, относительная доля количества раз, когда я попадал бы в диапазон от 469 до 531, все больше приближалась бы к показателю 95,45 %[70].

Возникает ощущение, будто нечто воздействует на то, как это происходит. Вполне допускаю, что подобное ощущение было и у самого де Муавра. Согласно многим свидетельствам, он рассматривал закономерности в поведении монет при многократном подбрасывании (или в любом другом эксперименте при наличии фактора случайности) как проявление воли Бога, превращавшего любые кратковременные особенности монет, игральных костей и человеческих жизней в предсказуемое долгосрочное поведение, которым управляют непреложные законы и поддающиеся расшифровке формулы{48}.

Однако такое ощущение опасно, поскольку как только вы примете за истину, будто чья-то трансцендентальная воля (Божья ли, Госпожи ли Удачи или Лакшми[71] – чья конкретно, не имеет значения) подталкивает монеты к тому, чтобы они выпадали лицевой стороной вверх в половине случаев, вы сразу начинаете верить в так называемый закон средних: если пять монет подряд выпадают аверсом, тогда следующая почти наверняка выпадет реверсом. Если у кого-то есть три сына, следующей наверняка будет дочь. В конце концов, разве де Муавр не говорил нам, что крайние результаты (такие как четыре сына подряд) в высшей степени маловероятны? Говорил, и так оно и есть на самом деле. Тем не менее, если у вас уже есть три сына, возможность того, что четвертым тоже будет сын, далеко не маловероятна. В действительности вероятность, что у вас снова будет сын, такая же, как если это был бы ваш первый ребенок[72].

На первый взгляд может показаться, что это противоречит закону больших чисел, который должен был бы разделить ваше потомство в равных частях на девочек и мальчиков[73]. Однако это только кажущееся противоречие. Легче понять, что происходит, на примере монет. Я мог бы начать подбрасывать монеты и получить 10 аверсов подряд. Что произойдет далее? Прежде всего вы заподозрите, будто что-то не так с вашей монетой. Во второй части книги мы вернемся к этому вопросу, но пока будем исходить из предположения, что монета у нас правильная. Итак, закон гласит: по мере того как я подбрасываю монету все больше и больше раз, относительная доля выпавших аверсов должна приближаться к 50 %.

Здравый смысл говорит, что теперь – дабы скорректировать существующий дисбаланс – вероятность выпадания реверсов должна быть немного выше.

Но тот же здравый смысл еще более настойчиво утверждает: монета никак не в состоянии помнить, что с ней происходило, когда я подбрасывал ее первые десять раз!

Не хочу держать вас в неведении. Здравый смысл прав во втором случае. Закон средних получил не очень подходящее название, поскольку законы должны быть истинными, а этот закон ложный. У монет нет памяти, а значит, у следующей монеты, которую вы подбросите, такой же шанс 50 на 50 выпасть лицевой стороной вверх, что и у любой другой. Общая относительная доля монет стремится к 50 % вовсе не по причине благоволения судьбы к реверсам – дабы компенсировать уже выпавшие аверсы. Причина в том, что чем больше вы подбрасываете монету, тем больше уменьшается влияние первых десяти подбрасываний. Если я подброшу монету еще тысячу раз и получу при этом примерно половину аверсов, то их доля в серии первых 1010 подбрасываний также приблизится к 50 %. Именно так работает закон больших чисел: не уравновешивая то, что уже произошло, а разбавляя произошедшее новыми данными до тех пор, пока прошлое станет настолько пропорционально незначительным, что его вполне можно будет забыть.

Что применимо к монетам и результатам тестов, также относится к массовым убийствам и геноциду. Если оценивать количество погибших в доле от численности населения страны, худшие преступления будут сосредоточены в самых маленьких странах. Мэтью Уайт, автор довольно мрачной книги Great Big Book of Horrible Things («Большая книга ужасов»), расположив кровопролития ХХ столетия именно в таком порядке, пришел к выводу, что первые три места занимают следующие преступления: уничтожение племени гереро в Намибии германскими колонистами; массовое убийство камбоджийцев Пол Потом; война короля Леопольда в Конго{49}. В этот список не входят ни Гитлер, ни Сталин, ни Мао и ни огромные массы людей, которых истребили эти деятели.

Подобное смещение оценки в сторону стран с меньшей численностью населения создает проблему: где наше подкрепленное математическими выкладками правило, позволявшее бы точно определять, насколько тяжело нам воспринимать новости о гибели людей в Израиле, Палестине, Никарагуа или Испании?

Вот эмпирическое правило, которое я считаю приемлемым: если масштаб катастрофы настолько велик, что уместно говорить об «переживших катастрофу», тогда целесообразно оценивать количество погибших в виде относительной доли от общей численности населения. Когда речь идет о выживших после геноцида в Руанде, то это может быть любой тутси, живущий в стране[74]. Следовательно, уместно было бы сказать, что геноцид уничтожил 75 % племени тутси. При этом у вас были бы все основания утверждать, что катастрофа, унесшая жизни 75 % населения Швейцарии, является «швейцарским эквивалентом» того, что произошло с тутси.

С другой стороны, было бы абсурдно называть кого-либо из обитателей Сиэтла «пережившими катастрофу» после террористической атаки на Всемирный торговый центр[75]. Следовательно, нецелесообразно оценивать количество погибших во Всемирном торговом центре в виде доли от всех американцев. В тот день в башнях-близнецах погиб один из сотни тысяч американцев, или 0,001 %. Эта цифра слишком приближается к нулю, чтобы мы могли воспринять ее и удержать в своем сознании. Кроме того, было бы рискованно заявлять, что швейцарским эквивалентом терактов во Всемирном торговом центре является массовое убийство, унесшее жизни 0,001 % швейцарцев, или 80 человек.

И все-таки каким образом нам составлять рейтинг злодеяний, если не по абсолютному количеству и не по относительной доле? Некоторые сравнения очевидны. Геноцид в Руанде был хуже терактов 11 сентября, теракты 11 сентября были хуже стрельбы в школе Columbine, а случившееся в этой школе хуже гибели одного человека в автокатастрофе, произошедшей из-за нетрезвого состояния водителя. Другие события, разделенные пространством и временем на огромные расстояния, сравнивать труднее. Действительно ли Тридцатилетняя война была более кровопролитной, чем Первая мировая? Как ужасающий геноцид в Руанде, длившийся не слишком долго, можно сравнить с затяжной и жестокой войной между Ираном и Ираком?

Большинство математиков сказали бы, что вошедшие в историю катастрофы и злодеяния в конечном счете образуют так называемое частично упорядоченное множество. Под такой замысловатой формулировкой замаскирована простая мысль: какие-то пары катастроф можно сравнивать по существу, тогда как другие не поддаются сравнению. Дело не в том, что у нас нет точных данных о количестве погибших или что мы не выработали вполне твердой позиции по отношению к проблеме уничтожения людей – от взрыва ли бомбы или от голодной смерти, вызванной войной. Причина заключается в другом: мы не знаем, на каких весах сравнивать эти катастрофы. Обсуждение вопроса, насколько одна война хуже другой, в корне отличается от обсуждения вопроса, является ли одно число больше другого. На второй вопрос всегда есть ответ. На первый – ответа нет. Если вы хотите осознать, что такое гибель двадцати шести человек от бомбы террориста, представьте себе смерть двадцати шести человек от бомбы террориста, но не где-то на другом конце света, а в своем родном городе. Такой подход будет абсолютно безупречен как с математической, так и с моральной точки зрения – и никакой калькулятор вам не понадобится.

Люди используют математику, чтобы найти ответы на самые разные вопросы: от повседневных («Сколько мне предстоит ждать следующего автобуса?») до космических («Как выглядела Вселенная через три триллионных секунды после Большого взрыва?»).

Однако существует область вопросов, выходящих далеко за рамки космической тематики, – вопросов о смысле и происхождении всего сущего, решение которых, как вам может показаться, лежит за пределами математики.

Никогда не недооценивайте территориальные притязания математики! Хотите узнать что-то о Боге? Математики помогут вам в этом.

По мнению еврейского ученого ХII столетия Маймонида, мысль о том, что обычные люди могут узнать что-то о божественном мире посредством рациональных наблюдений, возникла очень давно – примерно в то же время, что и сам монотеизм. Главный труд Маймонида Mishneh Torah («Мишне Тора», или «Кодекс Маймонида») содержит такое толкование откровений Авраама:

Такое видение религиозной веры имеет много общего с математическим мышлением. Вы верите в Бога не потому, что к вам прикоснулся ангел, не потому, что однажды ваша душа открылась, чтобы впустить в себя солнечный свет, и определенно не из-за того, что говорили вам родители. Вы верите потому, что Бог – это нечто такое, что должно существовать, так же как произведение 8 на 6 должно быть равным произведению 6 на 8.

В наши дни аргументация Авраама (просто посмотрите вокруг – как все это могло бы стать таким восхитительным без создателя?) считается неполноценной, по крайней мере в большинстве научных кругов. Однако сегодня у нас есть микроскопы, телескопы и компьютеры. И мы больше не ограничиваемся изумленными взглядами на луну, находясь в своей земной колыбели. Мы владеем информацией, мы накопили огромную массу данных, и у нас есть инструменты для их анализа.

Любимое множество данных раввинского ученого – это Тора, которая по большому счету представляет собой последовательно упорядоченную строку символов, взятых из конечного алфавита, и которую мы пытаемся передавать от одной синагоги к другой без ошибок. Хотя Тора написана на пергаменте, по сути она представляет собой цифровой сигнал.

Когда в середине 1990-х годов ученые из Еврейского университета в Иерусалиме начали анализировать этот сигнал, то обнаружили нечто удивительное, или, в зависимости от ваших теологических воззрений, совсем не удивительное. Эти исследователи работали в разных областях: Элияху Рипс был старшим преподавателем математики и известным специалистом по теории групп; Йоав Розенберг изучал теорию вычислительных систем в магистратуре, а Дорон Витцум получил в свое время диплом магистра по физике. Однако всем им было свойственно пристрастие к тому направлению исследований Торы, которое ищет эзотерические тексты, скрытые в историях, родословных и наставлениях, образующих поверхностный слой традиционного иудейского религиозного закона. Для своих изысканий они выбрали инструмент под названием «эквидистантная последовательность букв» (equidistant letter sequence; далее по тексту – ELS) – фрагмент текста, полученный посредством выделения в тексте Торы букв, расположенных на равном расстоянии друг от друга. Например, если во фразе

Позвольте рассказать вам притчу. Однажды вы получаете от фондового брокера в Балтиморе новостной бюллетень; в нем идет речь о том, что вскоре курс определенных акций резко повысится. Проходит неделя, на протяжении которой, как и предсказывал балтиморский брокер, те акции действительно повысились в цене. На следующей неделе вы получаете еще одно письмо, причем на этот раз в нем содержится намек на акции, курс которых, по мнению этого брокера, вскоре упадет. И эти акции действительно резко упали в цене. Проходит десять недель подряд, и каждую неделю вы получаете очередную загадочную информационную рассылку с новым предсказанием, причем каждый раз это предсказание сбывается.

На одиннадцатой неделе вы получаете предложение инвестировать деньги через балтиморского фондового брокера, разумеется за изрядные комиссионные в качестве компенсации за проницательное видение рынка, которое столь убедительно продемонстрировал правильный выбор акций на протяжении десяти недель подряд, о чем сообщалось в информационных рассылках.

На первый взгляд, как будто неплохая сделка, не так ли? Очевидно, что балтиморский фондовый брокер кое-что понимает – кажется совершенно невероятным, чтобы десять правильных прогнозов подряд о повышении и падении курсов акций сделал безнадежный дилетант без специальных знаний о рынке. На самом деле вы можете точно рассчитать шансы на успех: если дилетант дает правильный прогноз с вероятностью 50 %, тогда вероятность того, что он сделает первые два правильных прогноза, составляет половину половины (или четверть), вероятность трех правильных прогнозов – половину этой четверти (или одну восьмую) и так далее. Если продолжить эти вычисления, вероятность того, что дилетант попадет в цель десять раз подряд[90], составляет:

Дешифровщики Библии не писали десять тысяч версий своей статьи и не отправляли их в десятки тысяч статистических журналов. Именно поэтому сначала трудно понять, что общего между их историей и аферой балтиморского брокера.

Однако, когда математики взялись за решение «трудной, но интересной» задачи, которую Касс поставил перед ними в своем предисловии, и попытались объяснить результаты расшифровки библейского кода иначе, чем «Так сделал Бог», они обнаружили, что этот вопрос не настолько прост, как его пытались подать Вицтум и его коллеги. Тон задали австралийский специалист по теории вычислительных систем Брендан Маккей и израильский математик, работавший тогда в Еврейском университете в Иерусалиме Дрор Бар-Натан. Они высказали важное замечание, что у средневековых раввинов не было паспортов или свидетельств о рождении, в которых были бы указаны их официальные имена. Раввинов часто называли несколькими именами, поэтому разные авторы могли именовать их по-разному. Например, если бы Дуэйн «Скала» Джонсон был знаменитым раввином, под каким именем вы искали бы предсказание о его рождении в Торе – Дуэйн Джонсон, Дуэйн «Скала» Джонсон, Д. С. Джонсон или по всем вместе?

Такая неопределенность создает некоторое пространство для маневра, которым могут воспользоваться искатели библейских кодов. Возьмем в качестве примера раввина Авраама бен Дов Бер Фридмана, хасидского мистика XVIII столетия, который жил и работал в местечке Фастов в Украине. Вицтум, Рипс и Розенберг используют в качестве его имени раввин Авраам и Ха-Малах («ангел»). Но почему, спрашивают Маккей и Бар-Натан, они используют имя Ха-Малах, а не раввин Авраам Ха-Малах – имя, под которым реббе тоже был известен?

Маккей и Бар-Натан пришли к выводу, что такая возможность для маневра в выборе имен привела к существенному изменению качества полученных результатов{72}. Они выбрали другие имена раввинов, причем их выбор, по мнению исследователей Библии, был таким же обоснованным, как и выбор Вицтума (правда, один раввин назвал эти два списка «в равной мере ужасными»){73}. В итоге Маккей и Бар-Натан обнаружили, что с новым списком произошло нечто поразительное. Тора как будто больше не указывала ни на даты рождения, ни на даты смерти выдающихся раввинов. Зато в романе «Война и мир», изданном на иврите, они попали в точку, определив имена раввинов и соответствующие даты почти с такой же точностью, как это было сделано Вицтумом по Книге Бытия.

Что бы все это могло значить? Уверяю вас, совсем не то, что Лев Толстой написал свой роман, включив в него скрытые имена раввинов, которые предполагалось раскрыть, когда будет создана современная версия иврита и когда на него переведут классические произведения мировой литературы. Маккей и Бар-Натан скорее поднимают важный вопрос о силе возможности для маневра. Пространство для маневра – это то, что есть у балтиморского брокера, формирующего для себя множество шансов на выигрыш. Пространство для маневра – это то, что есть у инвестиционной компании, когда в ней принимают решение, какие взаимные фонды, втайне проходящие процесс инкубации, можно отнести к числу победителей, а какие непригодны для дальнейшей работы. Пространство для маневра – это то, что использовали Маккей и Бар-Натан, чтобы составить список имен раввинов, которые прекрасно совпали с последовательностями букв в романе «Война и мир». Когда вы пытаетесь сделать достоверные выводы из маловероятных событий, возможность для маневра – ваш враг.

Впоследствии была опубликована статья, в которой шла речь о том, что Маккей и Бар-Натан попросили Симшу Эмануэла, преподавателя Талмуда, работавшего тогда в Тель-Авивском университете, составить еще один список имен раввинов, на этот раз не предназначенный для поиска соответствий ни с Торой, ни с романом «Война и мир»{74}. Совпадение имен из этого списка с Торой было совсем ненамного выше обычной случайности. (О том, что получилось с романом Толстого, в статье не сообщается.)

Маловероятно, чтобы любой заданный набор имен раввинов был связан с их датами рождения и смерти в Книге Бытия. Однако при таком разнообразии способов выбора имен нельзя отвергать вероятность того, что среди всех вариантов выбора найдется один вариант, который создаст впечатление, будто в Торе содержится множество настоящих предсказаний. При достаточном количестве шансов найти коды не составит труда. Сделать это еще легче, если использовать менее научный подход Майкла Дроснина к поиску кодов. О людях, которые скептически относятся к идее библейского кода, Дроснин сказал следующее: «Когда мои критики найдут послание об убийстве премьер-министра в романе “Моби Дик”, я им поверю». Маккей тут же отыскал в тексте романа «Моби Дик» эквидистантные последовательности букв, указывающих на убийство Джона Кеннеди, Индиры Ганди, Льва Троцкого и вдобавок самого Дроснина. Когда я пишу эти строки, Дроснин живет и здравствует, несмотря на пророчество. Он пишет в 2010 году третью книгу о библейском коде, при ее продвижении на рынок в одном из выпусков New York Times было размещено рекламное объявление, занявшее целую полосу{75}. В нем Дроснин предупреждает президента Обаму, что, согласно последовательностям букв в Священном Писании, у Усамы бен Ладена, возможно, уже есть ядерное оружие.

Вицтум, Рипс и Розенберг настаивают на том, что они не похожи на хозяев взаимных фондов, демонстрирующих инвесторам только те эксперименты, которые обеспечивают максимально возможные результаты, а также что их точный список имен был выбран заранее, еще до проведения тестов{76}. И это вполне может быть правдой. Даже если все действительно так, поразительный успех в поиске библейских кодов предстает совсем в другом свете. Тот факт, что в Торе, так же как и в романе «Война и мир», можно отыскать какую-то версию имен раввинов, не вызывает удивления. Чудо – если оно действительно произошло – состоит в том, что Вицтума и его коллег что-то подтолкнуло к тому, чтобы выбрать именно те версии имен, по котором в Торе найдены самые близкие соответствия.

Однако есть одна нерешенная проблема, которая должна вызывать у вас некоторое беспокойство. Маккей и Бар-Натан убедительно доказали, что в структуре эксперимента Вицтума было достаточно возможности для маневра, чтобы объяснить библейские коды. Однако статья Вицтума была проверена посредством стандартных статистических тестов – тех самых, которые ученые используют для оценки заявлений по поводу всего, от лекарственных препаратов до экономической политики. В противном случае его статья не была бы принята журналом Statistical Science. Но, если работа прошла проверку, разве не должны мы принять и сделанные в ней выводы, какими бы странными они нам ни казались? Или сформулируем иначе: если мы можем спокойно отбросить выводы исследования Вицтума, то отвечает ли это нашим представлениям о надежности стандартных статистических тестов?

В любом случае подобная постановка вопроса должна вызывать у нас некоторую тревогу. Оказывается, ученые и статистики давно уже этим обеспокоены – независимо от исследований Торы.

Дело вот в чем: шумиха по поводу библейского кода была поднята не просто так, поскольку это отнюдь не единственный случай, когда с помощью стандартных статистических инструментов получали результаты, более напоминающие магию. Одна из самых актуальных тем в медицинской науке – функциональная нейровизуализация. Появление все более и более точных сенсорных датчиков открывает перед современными учеными возможность наблюдать в реальном времени, как человеческие мысли и чувства вспыхивают среди синапсов. Во время ежегодной конференции Организации по нейровизуализации головного мозга человека (The Organization for Human Brain Mapping, OHBM), которая проводилась в Сан-Франциско в 2009 году, нейробиолог из Санта-Барбары Крейг Беннетт представил стендовый доклад под названием «Нейронные корреляты видения ситуации с межвидовой точки зрения, полученные после смерти атлантического лосося: аргумент в пользу коррекции множественных сравнений результатов»{77}. Понадобится какое-то время, чтобы осознать, что подразумевали авторы под сугубо специальными терминами, но затем становится очевидным весьма необычный характер представленных в докладе выводов. Мертвую рыбу подвергли сканированию с помощью функциональной магнитно-резонансной томографии (фМРТ); исследователи показывали рыбе серию фотографий людей в разных ситуациях и, к своему удивлению, отметили определенную активность умершего мозга. Дохлая рыба практически правильно оценивала эмоции людей, изображенных на фотографиях. Полученный результат оказался бы впечатляющим даже для живого человека или живой рыбы, но в случае мертвой… этот эксперимент тянул на полную Нобелевскую премию!

Разумеется, данное исследование было не более чем шуткой, представленной в крайне серьезном тоне. (Причем прекрасно разыгранной. Особенно мне понравилось строгое описание эксперимента. «Предмет исследования: один зрелый атлантический лосось (Salmo salar), подвергнутый исследованию МРТ. Особь длиной примерно 18 дюймов и весом 3,8 фунта[97]; мертвая на момент сканирования. Методы: для ограничения движения лосося во время сканирования в головную катушку была залита пена, что оказалось излишним, поскольку двигательная активность испытуемого была крайне низкой»{78}.) Розыгрыш, устроенный группой Крейга Беннетта, подобно всем шуткам, содержит завуалированную критику, в данном случае адресованную специалистам по нейровизуализации, допускающим методологическую небрежность в своих исследованиях, что часто влечет за собой ошибочные умозаключения. Просто они забывают об одной фундаментальной истине – маловероятные события случаются довольно часто{79}.

Нейробиологи делят сканограмму фМРТ на десятки тысяч маленьких фрагментов, которые называются «вокселы»[98]. Каждый из них соответствует небольшому участку головного мозга. Когда сканируется мозг, пусть даже мозг холодной дохлой рыбы, через каждый воксел проходит определенное количество случайного шума. Маловероятно, что такой шум приведет к появлению пика на сканограмме именно в ту минуту, когда рыбе показывают фотографию человека с ярко выраженной эмоцией. Однако нервная система, состоящая из десятков тысяч вокселов, очень велика. И также велика вероятность, что один из вокселов предоставит данные, которые смогут прочитываться как реакция на фотографии. Именно этот момент выяснили Беннет и его коллеги: они обнаружили две группы вокселов, отреагировавших на человеческие эмоции, – одну в средней мозговой полости, а другую в верхнем сегменте позвоночника. Статья Беннетта предупреждает всех нас, что в современную эпоху, когда без труда получают огромные массивы данных, стандартные методы оценки результатов – то, как мы проводим грань между реальным явлением и случайной помехой, – оказались под большим вопросом. Если даже почивший навсегда лосось удачно проходит проверку на эмпатию, то необходимо срочно и очень серьезно задуматься: достаточно ли строгие критерии доказательства мы используем.

Чем больше вы оставляете себе шансов на то, чтобы испытать удивление, тем выше должен быть ваш порог удивления. Если кто-то, исключивший из своего рациона все злаки, выращенные в Северной Америке, пишет в интернете, что сбросил почти семь килограммов веса и избавился от экземы, вы не должны воспринимать сей факт как веское доказательство в пользу диеты, подразумевающей полный отказ от потребления кукурузы. Если кто-то выпустит книгу о такой диете, а тысячи людей, купив эту книгу, попробуют на себе эту диету, велика вероятность, что только по случайному стечению обстоятельств на следующей неделе один из читателей сбросит вес и его кожа станет чистой. Именно он, этот счастливчик, зарегистрируется на сайте под именем saygoodbye2corn452[99] и разместит там свой взволнованный отзыв. Но все остальные – все, кто опробовал волшебную диету и не достиг желаемых результатов, – они просто промолчат.

Поистине неожиданный результат работы Беннетта заключается не в том, что один или два воксела в мозгу мертвой рыбы прошли статистический тест. Важно другое: в очень большом количестве статей по нейровизуализации, которые он изучил, даже речи не шло об использовании статистической защиты (метод, известный как «коррекция множественных сравнений результатов», или «коррекция на множественное тестирование»), принимающей во внимание вездесущность маловероятного. Без такой коррекции ученые рискуют каждый раз воссоздавать своего рода аферу балтиморского фондового брокера, втягивая в нее не только себя, но и своих коллег. Испытывать возбуждение по поводу дохлой рыбы, чьи вокселы отреагировали на фотографии, и игнорировать все остальные параметры – так же опасно, как и приходить в волнение из-за потока информационных писем с якобы правильными прогнозами курса акций и при этом не учитывать наличие других рассылок, с ошибочными прогнозами.

В процессе обучения есть два опасных поворота, из-за которых у многих детей возникают трудности с изучением математики. Первый наступает в начальной школе, когда вводится понятие дроби. До этого момента любое число было натуральным, одним из ряда 0, 1, 2, 3… Такие числа представляют собой ответ на вопрос «сколько?»[100]. То есть пока мы имели дело с весьма простым понятием, настолько примитивным, что, если довериться слухам, его постигают даже многие животные{80}. Переход от этого понятия к гораздо более широкой концепции, где число может означать «какая часть», – слишком серьезный шаг, который можно приравнять к мировоззренческому сдвигу. («Бог создал натуральные числа. Все остальное – творение человека», – сказал Леопольд Кронекер, алгебраист XIX столетия.)

Второй опасный поворот – алгебра. Почему она так трудна для понимания? Потому что до появления алгебры все числовые вычисления выполняются сугубо алгоритмически. Вы вводите определенные числа в некое устройство для выполнения операции сложения, умножения или (в школах с традиционным подходом к обучению) даже деления столбиком – и, повернув рычаг, получаете на выходе результат.

Алгебра представляет собой нечто иное. Это вычисления в обратном порядке. Предположим, вам нужно решить такой пример:

x + 8 = 15

Вы знаете, что получено на выходе данного устройства для операции сложения (а именно 15); вам необходимо методом обратных вычислений определить, что было введено в это устройство вместе с числом 8.

В данном случае, как вам наверняка объяснил учитель математики в седьмом классе, можно выполнить перенос из одной части уравнения в другую, чтобы известные числа оказались с одной стороны:

x = 15 – 8

После этого можно просто ввести числа 15 и 8 в устройство для выполнения операции вычитания (позаботившись при этом, чтобы числа вводились в правильном порядке), определив таким способом, что x должен быть равен 7.

Однако не всегда все так просто. Возможно, вам понадобится решить квадратное уравнение такого типа:

x² – x = 1.

Я уже слышу ваши протесты! Да что вы говорите? Серьезно?

Действительно, с какой стати вам вообще делать это, если только вы не получили от учителя такого задания?

Помните ту ракету из второй главы? Ведь она и поныне все еще бешено мчится к вам.

Возможно, вы уже знаете: эта ракета запущена с высоты 100 метров над поверхностью земли и движется вверх со скоростью 200 метров в секунду. Если не было бы силы тяжести, она продолжала бы лететь вверх по прямой в соответствии с законами Ньютона, каждую секунду поднимаясь на очередных 200 метров. Через x секунд ракета была бы расположена на высоте, которую описывает следующая линейная функция:

высота = 100 + 200x.

Однако существует такая вещь, как сила тяжести, которая изгибает траекторию движения ракеты и заставляет ее двигаться по кривой назад, к поверхности земли. Оказывается, это воздействие силы тяжести можно описать уравнением, содержащим квадратичный член:

высота = 100 + 200x – 5x²,

где знак минуса стоит перед квадратичным членом только потому, что сила тяжести толкает ракету вниз, а не вверх.

Существует много вопросов, которые вы можете задать по поводу летящей к вам ракеты, однако самый важный из них звучит просто: когда же она наконец приземлится? Чтобы ответить на этот вопрос, необходимо определить, когда высота местоположения ракеты будет равна нулю, другими словами – найти значение x, при котором уравнение приобретет такой вид:

100 + 200x – 5x² = 0.

Совершенно непонятно, как именно в этом уравнении следовало бы выполнить перестановку, чтобы найти x. Может быть, вам и не понадобится этого делать. Метод последовательного приближения – это мощное оружие. Если в представленную выше формулу подставить x = 10, чтобы увидеть, на какой высоте будет ракета через 10 секунд, получится 1600 метров. Подставьте x = 20 – и получите 2100 метров – значит, ракета все еще летит вверх. При x = 30 вы снова получите 1600 метров, а это значит, что пик уже пройден. При x = 40 ракета снова окажется на высоте 100 метров над поверхностью земли. Можно было бы прибавить еще 10 секунд, но, когда мы настолько близки к столкновению, это наверняка слишком большой промежуток времени. Подставив в формулу x = 41, вы получите −105 метров. Это не означает, что, согласно вашим оценкам, ракета ушла под землю; скорее, это означает, что столкновение уже произошло, поэтому ваша красивая, чистая модель движения ракеты, как говорят в баллистике, больше не работает.

Итак, если 41 секунда – слишком много, как насчет 40,5 секунды? Это значение дает −1,25 метра, чуть меньше нуля. Переведите часы еще немного назад, на 40,4 секунды – и получите 19,2 метра, а значит, столкновение еще не произошло. Как насчет 40,49 секунды? Очень близко, всего 0,8 метра над поверхностью земли. Данный процесс можно продолжать и дальше.

Как видите, применяя метод подбора, осторожно перемещая стрелку часов то вперед, то назад, можно получить настолько близкое значение времени столкновения ракеты с землей, насколько захотите.

Но действительно ли мы «решили» уравнение? Скорее всего, вы не позволите себе ответить утвердительно; ведь даже если вы продолжите корректировать свои догадки по поводу времени столкновения ракеты с поверхностью земли, пока не получите

40,4939015319…

секунды после запуска ракеты, все равно у вас нет самого ответа, а есть только его приближенное значение. Однако на практике нет необходимости определять время столкновения до миллионной доли секунды, не так ли? Пожалуй, вполне довольно было бы сказать «около 40 секунд». Попытавшись получить любой более точный ответ, вы только потратите время зря. Кроме того, по всей вероятности, этот ответ все равно будет неправильным, поскольку наша простая модель движения ракеты не учитывает многие другие факторы, такие как сопротивление воздуха, изменение сопротивления воздуха в зависимости от погоды, вращение самой ракеты и так далее. Воздействие всех факторов может быть незначительным, но их достаточно для того, чтобы удержать вас от попыток определить время встречи ракеты с землей с точностью до микросекунды.

Если вам действительно необходимо точное решение, не беспокойтесь – вам поможет формула корней квадратного уравнения. Возможно, когда-то в прошлом вы уже проходили эту формулу, но вряд ли вы сейчас ее вспомните. Правда, может быть, у вас феноменальная память? Или вам только двенадцать лет? В таком случае вот она: если х – это решение уравнения

c + bx + ax² = 0

где a, b и c – это какие угодно числа, тогда

В случае с ракетой c = 100, b = 200, а a = −5. Следовательно, согласно данной формуле корней квадратного уравнения х равно:

Большинство символов, присутствующих в этой формуле, можно ввести в калькулятор, но есть один забавный символ, выпадающий из общего ряда: символ ±. Создается впечатление, будто знак плюс и знак минус очень любят друг друга, что не так уж далеко от истины. Этот символ говорит: хотя мы и начали свое математическое предложение с утверждения о том, что

х =

в итоге мы все равно окажемся в состоянии неопределенности. Символ ± (подобно пустой фишке в игре Scrabble) можно прочитать и как +, и как −, в зависимости от того, что мы выберем. Каждый сделанный нами выбор позволяет получить значение х, при котором выполняется уравнение 100 + 200x – 5x² = 0. Следовательно, у этого уравнения не одно, а два решения.

Тот факт, что этому уравнению удовлетворяют два значения х, можно определить на глаз, даже если вы давно забыли формулу корней квадратного уравнения. Для этого можно нарисовать график уравнения y = 100 + 200x – 5x², получив красивую перевернутую параболу:

Горизонтальная линия – ось х; на ней расположены те точки на плоскости, ордината которых равна 0. Когда кривая y = 100 + 200x – 5x² пересекается с осью х, должно быть верно как то, что y равно 100 + 200x – 5x², так и то, что y = 0; следовательно, 100 + 200x – 5x² = 0 – в точности то уравнение, которое мы пытаемся решить, только теперь оно представлено в геометрическом виде, а вопрос состоит в пересечении кривой с горизонтальной осью.

Геометрическая интуиция подсказывает: если такая парабола расположена над осью х, она должна пересекать эту ось в двух точках – ни больше, ни меньше. Другими словами, существует два значения х, при которых 100 + 200x – 5x² = 0.

Так какие это значения?

Если мы интерпретируем символ ± как «плюс», то получим

x = 20 + 2√105,

что равно 40,4939015319… – тот же ответ, который мы получили методом последовательного приближения. Но, выбрав знак «минус», мы получим

x = 20 – 2√105,

что равно –0,4939015319…

В качестве ответа на наш первоначальный вопрос это решение в каком-то смысле абсурдно. В ответ на вопрос: «Когда ракета ударит по мне?» – нельзя сказать: «Полсекунды назад».

Тем не менее это отрицательное значение х представляет собой решение данного уравнения, а когда математика говорит нам что-то, мы должны хотя бы попытаться прислушаться к ней. Что означает отрицательное число? Вот один из способов понять это. Мы сказали, что ракета была запущена с высоты 100 метров над поверхностью земли, со скоростью 200 метров в секунду. Однако на самом деле это означало только то, что в момент времени 0 ракета двигалась вверх с указанной скоростью с данного местоположения. Что если на самом деле ракета была запущена из другого места? Может быть, запуск ракеты произошел не в момент 0 с высоты 100 метров, а немного раньше, причем прямо с поверхности земли. В какое же время это произошло?

Расчеты говорят нам о следующем: существует в точности два момента времени, в которые ракета находится на уровне земли. Один момент – 0,4939… секунды назад. Именно в это время ракета была запущена. Другой момент – через 40,4939… секунды от настоящего момента. В это время ракета приземлится.

Вполне возможно, что получение двух ответов на один и тот же вопрос не кажется вам проблематичным, особенно если вы привыкли иметь дело с формулой корней квадратного уравнения. Однако, если вам исполнилось всего двенадцать лет, это порождает настоящий мировоззренческий сдвиг. Вы провели шесть долгих лет учебы в школе, пытаясь разобраться, в чем же ответ, а теперь выясняется, что такой вещи вообще нет.

И это только квадратные уравнения! А если вам придется решить такое уравнение:

x³ + 2x² – 11x = 12?

Это кубическое уравнение, другими словами, уравнение, в котором есть х, возведенный в третью степень. К счастью, существует формула корней кубического уравнения, позволяющая посредством прямых вычислений определить, какое значение х можно ввести в решающее устройство, повернуть рычаг и получить ответ 12. Но вы не учили в школе формулу корней кубического уравнения, поскольку это достаточно сложное уравнение, составленное только в конце эпохи Возрождения, когда странствующие алгебраисты скитались по всей Италии, втягивая друг друга в ожесточенные математические баталии, в которых ставкой выступало решение уравнений, а на кону стояли деньги и статус. Немногие математики, знавшие формулу корней кубического уравнения, держали ее в секрете и записывали только в виде зашифрованных стихов{81}.

Но это длинная история. Суть в том, что метод обратных вычислений довольно сложен.

Трудность задачи логического вывода (той самой задачи, над решением которой работали исследователи, искавшие в библейские скрытые коды) обусловлена тем, что это именно такая задача. Будь мы ученые, или исследователи Торы, или малыши, изумленно взирающие на тучи, – в любом случае мы имеем дело лишь с наблюдениями. На их основе мы строим гипотезы: из какого исходного материала создан мир, который мы видим? Логический вывод таков: мы столкнулись с трудной задачей, возможно, самой трудной из всех задач. Отталкиваясь от формы туч и их движения, мы проходим обратный путь, чтобы найти х – систему, которая их создала.

Все это время мы пытаемся найти ответ на фундаментальный вопрос: в какой степени мне следует удивляться тому, что я вижу в этом мире? Моя книга посвящена математике, а значит, вы догадываетесь, что существует численный способ ответить на этот вопрос. Такой способ действительно существует, но он таит в себе опасность. Пришло время поговорить о p-значениях.

Однако сначала нам нужно обсудить тему маловероятности, в отношении которой наши представления были до сих пор неприемлемо расплывчатыми. У этого есть своя причина. Существуют области математики (такие как геометрия и арифметика), которым мы учим детей и которым дети в какой-то мере учатся сами. Эти области математики наиболее отвечают нашей врожденной интуиции. Мы рождаемся, почти зная о том, как считать и разделять объекты на категории по таким признакам, как место и форма. Формальное математические толкование подобных концепций не так сильно отличается от того, с чего мы начинаем.

Совсем другое дело – вероятность. Безусловно, мы размышляем о неопределенных вещах, опираясь на внутреннее интуитивное восприятие, но сформулировать все это гораздо труднее. Есть причина, почему математическая теория вероятностей возникла на столь позднем этапе истории математики и почему она так поздно появляется в учебном плане по математике. Если вы попытаетесь задуматься, что означает вероятность, у вас голова пойдет кругом. Когда мы говорим: «Подброшенная монета упадет лицевой стороной вверх с вероятностью 1/2», – мы ссылаемся на закон больших чисел (из главы четвертой), который гласит, что, если вы будете подбрасывать монету много раз, доля аверсов непременно приблизится к 1/2, как будто заключенная в сужающийся канал. Такой подход обозначается термином «частотный подход к вероятности».

Но что мы имеем в виду, когда говорим: «Вероятность того, что завтра будет дождь, составляет 20 %»? Завтра наступает только один раз, значит, это не эксперимент, который мы вольны повторять снова и снова, как в случае подбрасывания монеты. Приложив определенные усилия, мы можем втиснуть прогноз погоды в частотную модель, подразумевая при этом, что в большой совокупности дней с соответствующими условиями на следующий день будет дождь с вероятностью 20 %. Но, пытаясь ответить на вопрос: «Какова вероятность, что через следующих тысячу лет род человеческий вымрет?» – вы снова оказываетесь в тупике. Это по своей сути такой эксперимент, который вы никак не сможете повторить. Мы используем вероятность даже тогда, когда говорим о событиях, которые вообще невозможно отнести на волю случая. Какова вероятность того, что потребление оливкового масла предотвращает рак? Какова вероятность того, что Шекспир был автором пьес Шекспира? Какова вероятность того, что Бог написал Библию и сотворил Землю? Трудно признать право на описание таких событий на том же языке, который мы используем для оценки подбрасывания монет и бросания костей. Тем не менее мы все-таки отвечаем на эти вопросы фразами: «Пожалуй, это маловероятно» или: «Кажется, это вполне вероятно». Но если мы так делаем, то сможем ли мы удержаться от соблазна спросить: «Насколько это вероятно?»

Одно дело – задать вопрос, и совсем другое – ответить на него. Я не могу представить себе эксперимент, который позволил бы определить вероятность того, что Всевышний действительно находится там, выше всех (или что Он – это действительно «он», если уж на то пошло). Следовательно, мы должны использовать следующий лучший вариант – во всяком случае лучший с точки зрения традиционной статистической практики. (Как мы увидим позже, по этому вопросу существуют разногласия.)

Мы уже говорили о низкой вероятности того, что имена средневековых раввинов скрыты в тексте Торы. Но действительно ли это так? Многие религиозные евреи придерживаются мнения, что все существующее знание так или иначе содержится в тексте Торы. Если это действительно так, присутствие в Торе имен и дат рождения раввинов совсем не маловероятно; по существу, это почти неизбежно.

То же самое можно сказать о розыгрыше лотереи в штате Северная Каролина. На первый взгляд кажется маловероятным, чтобы один и тот же набор выигрышных чисел выпал дважды за одну неделю. И это верно, если вы согласны с предположением, что шарики с числами выпадают из барабана в совершенно случайном порядке. Но, может быть, вы так не считаете? Возможно, вы думаете, что система случайного распределения работает неправильно, поэтому числа 4, 21, 23, 34, 39 могут выпадать с большей вероятностью, чем другие. Или вы полагаете, что нечистый на руку чиновник, занимающийся организацией лотереи, выбирает выигрышные числа так, чтобы они совпали с числами в его билете. При любой из этих гипотез удивительное совпадение совсем не маловероятно. Невероятность в таком понимании – понятие относительное, а не абсолютное. Когда мы говорим, что результат невероятен, тем самым мы в явной или неявной форме утверждаем, что он маловероятен при определенной совокупности предположений относительно базовых принципов устройства этого мира.

Многие научные вопросы, типа «происходит что-то или нет?», можно свести к простому ответу «да» или «нет». Новый лекарственный препарат действительно помогает вылечить болезнь или не оказывает никакого воздействия? Психологическая интервенция действительно делает вас более счастливыми (бодрыми, сексуальными) или не оказывает никакого воздействия? Сценарий «не оказывает никакого воздействия» называют нулевой гипотезой. Нулевая гипотеза – это предположение о том, что изучаемое вами воздействие не имеет никаких последствий. Если вы исследователь, разработавший новый лекарственный препарат, нулевая гипотеза – это то, что не дает вам спать по ночам. Пока вы не сможете ее опровергнуть, вы не поймете, стоите ли вы на пороге медицинского прорыва или выбрали не тот метаболический путь.

Каким образом следует доказывать несостоятельность нулевой гипотезы? Стандартную модель под названием «проверка значимости нулевой гипотезы» в наиболее распространенном виде разработал в начале ХХ столетия Рональд Эйлмер Фишер, основатель современной статистической практики[101].

Вот как это делается. Сначала необходимо провести эксперимент. Вы можете начать с сотни испытуемых, а затем в произвольном порядке выбрать половину участников эксперимента для приема вашего чудо-лекарства, а оставшимся давать плацебо. Безусловно, вы рассчитываете на то, что среди пациентов, принимающих ваш лекарственный препарат, вероятность смертности будет ниже, чем среди пациентов, принимающих таблетки-пустышки.

После этого дальнейшие действия могут показаться довольно простыми: если вы фиксируете меньше случаев смерти среди пациентов, принимавших лекарства, по сравнению с теми, кто принимал плацебо, можно объявлять о победе и подавать в Управление по контролю за пищевыми продуктами и медикаментами заявку на регистрацию нового лекарственного препарата. Но это неправильный путь. Недостаточно одного соответствия полученных данных вашей теории; эти данные должны быть несовместимы с отрицанием вашей теории, ужасной нулевой гипотезой. Я, например, объявлю, будто обладаю такими мощными способностями к телекинезу, что могу вытащить солнце из-за горизонта. Вам нужны доказательства? Тогда потрудитесь выйти на улицу около пяти утра, и увидите результаты моей работы! Но такое заявление в принципе нельзя считать доказательством, поскольку согласно нулевой гипотезе, если у меня нет экстрасенсорных способностей, солнце все равно взойдет.

Интерпретация результатов клинических испытаний требует такого же подхода. Давайте сформулируем эту задачу в числовом виде. Предположим, мы имеем ситуацию, в которой истиной является нулевая гипотеза: вероятность смерти одна и та же (скажем, 10 %) как среди пятидесяти пациентов, принимавших новый лекарственный препарат, так и среди пятидесяти пациентов, принимавших плацебо. Однако это не означает, что умрут пять пациентов, принимавших лекарство, и пять пациентов, которых лечили плацебо. В действительности вероятность того, что умрут в точности пять пациентов первой группы, составляет 18,5 % – не очень высокая, как и в случае выпадания точно одинакового количества аверсов и реверсов в длинной серии подбрасываний монеты. Точно так же маловероятно и то, что за время проведения испытаний из жизни уйдет столько же пациентов, лечившихся лекарственным препаратом, сколько и пациентов, получавших плацебо. Я сделал следующие расчеты.

Тот факт, что в группе пациентов, принимавших лекарственный препарат, результаты лучше, чем среди пациентов, получавших плацебо, мало что значит, поскольку даже согласно нулевой гипотезе нельзя исключать вероятность, что ваш лекарственный препарат не оказывает никакого воздействия.

Однако все выглядит совсем иначе, если в группе пациентов, принимавших лекарство, результаты гораздо лучше. Предположим, за время проведения испытаний в группе плацебо умирает пять пациентов, а в группе лекарственного препарата – ни одного. Если нулевая гипотеза верна, каждый пациент обеих групп имеет шанс остаться в живых, равный 90 %. Однако в таком случае весьма низка вероятность того, что выживут все пятьдесят пациентов, принимавших лекарство. Первый пациент из этой группы имеет шанс на выживание 90 %; вероятность того, что в живых останется не только первый, но и второй пациент, составляет 90 % от этих 90 %, или 81 %. Вероятность того, что в живых останется и третий пациент, составляет всего 90 % от 81 %, или 72,9 %. Каждый очередной пациент, выживание которого вы ставите в качестве условия, немного уменьшает вероятность, и к концу процесса, когда вы задаете вопрос о вероятности выживания всех пятидесяти пациентов, остается совсем небольшая доля вероятности:

Что не так со значимостью? Прежде всего само слово. У математической науки вообще забавные отношения с языком. Статьи о математических исследованиях, порой к большому удивлению людей непосвященных, состоят далеко не из одних только чисел и символов; математические выкладки состоят из слов. Однако объекты, на которые мы ссылаемся, зачастую представляют собой сущности, о которых ничего не сказано в словаре Merriam – Webster[105]. Описание нового требует новой лексики. Существует два способа создать такой словарь. Можно придумать совершенно новые слова, как мы обычно поступаем, когда говорим о когомологиях, сизигиях, монодромии и так далее, однако это делает нашу работу непривлекательной и недоступной для понимания. Гораздо чаще мы приспосабливаем существующие слова для собственных целей[106], опираясь на определенное сходство между математическим объектом, который необходимо описать, и тем или иным элементом так называемого реального мира. Таким образом, для математика слово группа действительно означает группу объектов, но это группа особого типа, например группа целых чисел или группа симметрий геометрической фигуры. Под такой группой мы подразумеваем не просто произвольную совокупность объектов, как в случае ОПЕК или Abba[107], а совокупность объектов, обладающих таким свойством, что любую пару объектов данной группы можно скомбинировать, получив третий объект, как в случае, когда пару чисел можно сложить или пару симметрий выполнить одну за другой[108]. То же самое касается схем, расслоений, колец и пакетов – математических объектов, которые имеют лишь поверхностное отношение к тем вещам, которые обозначают эти слова в обычной жизни. Иногда слова, которые мы выбираем, имеют пасторальный оттенок: современная алгебраическая геометрия, например, имеет дело с полями, пучками, ядрами и слоями[109]. Порой терминология носит более агрессивный характер: нередко говорят, что оператор что-то разрушает или, если использовать еще более сильное выражение, уничтожает. Однажды в аэропорту у меня сложилась довольно неловкая ситуация из-за коллеги, сделавшего совершенно безобидное в математическом смысле замечание: мол, нужно было бы в какой-то момент взорвать плоскость[110].

Итак, поговорим о значимости. В обыденном языке это слово означает нечто важное или имеющее большое значение. Однако тест на оценку значимости, который используют ученые, не измеряет степень важности. Когда мы оцениваем воздействие нового лекарственного препарата, нулевая гипотеза гласит, что такого воздействия вообще нет; следовательно, доказать несостоятельность нулевой гипотезы – значит просто прийти к выводу, что воздействие лекарственного препарата отлично от нуля. Однако это воздействие все-таки может быть очень маленьким – настолько маленьким, что препарат не является эффективным в любом смысле, который обычный человек, не имеющий отношения к математике, назвал бы значимым.

Такая лексическая двойственность термина «значимость» не только делает математические работы трудными для чтения, но и влечет за собой другие последствия. Британский комитет по безопасности лекарственных средств (Committee on Safety of Medicines; далее по тексту – CSM) 18 октября 1995 года разослал по всей Великобритании – 200 тысячам врачей и медицинских работников – информационное письмо с тревожным предупреждением относительно некоторых марок оральных контрацептивов «третьего поколения». В этом письме было сказано следующее: «Получены новые доказательства, что в случае приема некоторых лекарственных препаратов вероятность закупорки вен возрастает примерно в два раза по сравнению с другими»{87}. С венозным тромбозом шутки плохи. Во-первых, образуется тромб, препятствующий циркуляции крови по венам; во-вторых, когда тромб отрывается, кровоток может перенести его в легочную артерию; в-третьих, возникает угроза легочной эмболии, которая в итоге может вас убить.

Авторы письма поспешили заверить читателей, что противозачаточные средства безопасны для большинства женщин, а также что никому не следует прекращать прием соответствующих препаратов без совета врача. Однако такие детали легко теряются из виду, если главная мысль состоит в том, что «таблетки убивают». Уже 19 октября информационное агентство Associated Press опубликовало сообщение: «В четверг правительство предупредило, что новый оральный контрацептив, который принимают 1,5 миллиона британских женщин, может привести к образованию тромбов. …Рассматривалась возможность изъятия данного лекарственного препарата из обращения, но было принято решение не делать этого, отчасти потому, что некоторые женщины не могут принимать другие препараты»{88}.

Ясное дело, женщины почувствовали себя ошарашенными. По данным одного терапевта, 12 % ее пациенток, как только услышали о докладе правительства, прекратили принимать контрацептивы{89}. По всей вероятности, многие перешли на другие типы противозачаточных средств, не имеющих побочного действия в виде тромбоза. Однако любой перерыв в приеме контрацептивов снижает их эффективность, а менее эффективные противозачаточные меры приводят к увеличению случаев беременности. (Вряд ли вы сейчас подумали, что я сообщу о волне воздержания.) До этого инцидента уровень зачатий в Соединенном Королевстве снижался на протяжении нескольких лет подряд, но в следующем году он повысился на несколько процентных пунктов. В Англии и Уэльсе в 1996 году было зачато на 26 тысяч младенцев больше, чем за год до этого. Поскольку во многих случаях беременность оказалась незапланированной, это привело к увеличению случаев прерывания беременности: в 1996 году было сделано на 13 600 абортов больше, чем в 1995-м{90}.

На первый взгляд можно предположить, что такое развитие ситуации не слишком большая плата за возможность избежать страшной угрозы, когда по вашей кровеносной системе носятся сгустки крови, способные привести к летальному исходу. Подумайте обо всех женщинах, которых предупреждение CSM спасло от смерти!

Но о каком именно количестве женщин идет речь? Наверняка мы не знаем, однако, по данным одного ученого, поддержавшего решение CSM о публикации предупреждения, общее количество предотвращенных случаев смерти от эмболии составляло «возможно, один случай»{91}. Дополнительный риск в случае приема оральных контрацептивов третьего поколения был значимым в статистическом смысле по Фишеру, но не был значимым с точки зрения здравоохранения.

Способ, каким была подана эта история, только усилил замешательство. В письме CSM был приведен коэффициент риска: препараты третьего поколения в два раза увеличивают риск тромбоза у женщин. Звучит довольно мрачно, если только вы не вспомните, что тромбоз – крайне редкое заболевание. Среди женщин детородного возраста прием оральных контрацептивов первого и второго поколения мог привести к одному случаю тромбоза на семь тысяч женщин; у женщин, принимавших препараты нового поколения, этот риск был в два раза выше, то есть два случая тромбоза на семь тысяч женщин. Однако это все равно очень низкий уровень риска, если учесть простой математический факт: в два раза большее крохотное число остается крохотным числом. Хорошо это или плохо – увеличить нечто в два раза, зависит от того, насколько велико это нечто! Если во время игры в Scrabble удается сделать ход, в два раза увеличивающий ценность длинного сложного слова – это победа, но поставить на призовую клетку букву из такого слова, как «нос», – значит сделать бесполезный ход.

Мозг воспринимает коэффициент риска гораздо легче, чем крохотную долю вероятности, такую как единичный случай на семь тысяч. Однако применение этого показателя к малым значениям вероятности может ввести в заблуждение. Социологи Городского университета Нью-Йорка провели исследование, по результатам которого было установлено, что среди детей, за которыми присматривают няни или сотрудники центров по уходу за детьми на дому, смертность от несчастных случаев в семь раз выше, чем среди детей, посещающих детские садики{92}. Но прежде чем увольнять няню-иностранку, задумайтесь на минутку о том, что в наше время маленькие дети почти не умирают, а если даже это происходит, то не потому, что няня укачала ребенка до смерти. Годовой уровень несчастных случаев со смертельным исходом в случае ухода за детьми на дому составил 1,6 на 100 тысяч детей: действительно намного более высокий уровень, чем 0,23 на 100 тысяч детей в детских садиках[111]. Однако оба показателя очень близки к нулю. По данным исследования, проведенного социологами Городского университета Нью-Йорка, от несчастных случаев погибло около десятка детей, за которыми обеспечивался уход на дому, – крохотная доля от 1110 американских детей, погибших в результате несчастных случаев в 2010 году (в основном в результате удушения постельным бельем), или от 2063 детей, умерших от синдрома внезапной детской смерти{93}. При прочих равных условиях результатов этого исследования было бы достаточно для того, чтобы отдать предпочтение детским садам перед домашним воспитанием и уходом, однако на самом деле прочие условия не являются равными, причем некоторые аспекты такого неравенства имеют большее значение, чем другие. Что если детский сад, сияющий чистотой и имеющий сертификат городских властей, находится в два раза дальше от вашего дома, чем вызывающий небольшие сомнения детский сад семейного типа? Например, в автомобильных авариях в 2010 году погибло 79 детей; если ваш ребенок будет проводить на 20 % больше времени в год на дороге из-за большего расстояния до детского сада, вы можете потерять преимущество в плане безопасности, которое получили, выбрав более продвинутый садик.

Проверка значимости – это научный инструмент, и, подобно любому другому инструменту, он имеет определенный уровень точности. Если вы сделаете такую проверку более точной (например, увеличив размер изучаемой совокупности), это позволит вам зафиксировать еще более слабое воздействие. В этом не только сила данного метода, но и его опасность. По правде говоря, нулевая гипотеза (если воспринимать ее буквально) почти всегда бывает ложной. Когда вы вводите сильный лекарственный препарат в кровь пациента, трудно поверить, что такое вмешательство оказывает в точности нулевое воздействие на вероятность того, что у этого пациента возникнет рак пищевода, или тромбоз, или неприятный запах изо рта. Каждая часть тела взаимодействует со всеми остальными частями в рамках сложного цикла обратной связи, которая сводится к воздействию и контролю. Все, что вы делаете, либо способствует развитию злокачественной опухоли, либо предотвращает его. Теоретически, если провести эффективное исследование, можно определить влияние каждого фактора. Однако это влияние в большинстве случаев настолько крохотное, что его можно смело исключить из рассмотрения. Тот факт, что мы можем зафиксировать влияние различных факторов, не означает, что все они имеют значение.

Если можно было бы вернуться во времена формирования статистической терминологии и объявить результат, прошедший проверку Фишера с p-значением меньше 0,05, «статистически заметным» или «статистически определимым», вместо того чтобы называть его «статистически значимым»! Эти термины были бы более близкими к сути данного метода, который просто говорит нам о существовании воздействия, но не позволяет определить размер или важность этого воздействия. Но уже слишком поздно. И мы имеем то, что имеем[112].

Мы знаем Берреса Фредерика Скиннера как психолога, причем во многих отношениях именно современного психолога – человека, победившего в противостоянии с последователями Фрейда и обеспечившего дальнейшее развитие альтернативной области психологии (бихевиоризм), которая анализирует лишь то, что можно увидеть и измерить, и не требует никаких гипотез в отношении подсознательной или, если уж на то пошло, осознанной мотивации. Скиннер считал, что теория разума – это и есть теория поведения, а значит, самые интересные, с точки зрения психологов, проекты не имеют никакого отношения к мыслям и чувствам, а скорее, связаны с воздействием на поведение посредством подкрепления.

Менее известна история о Скиннере как о несостоявшемся писателе{94}. Скиннер изучал английский язык в колледже Гамильтона и проводил много времени, общаясь с Перси Сондерсом, преподавателем химии и эстетом, дом которого был своего рода литературным салоном. Скиннер увлекался поэзией Эзры Паунда, слушал музыку Шуберта и писал для выходившего в колледже литературного журнала стихи, пронизанные юношеской пылкостью: «Посреди ночи он останавливается, затаив дыхание, и тихо шепчет своей земной спутнице: “Любовь изматывает меня!”»{95} Ни о какой психологии и речи не было. Закончив колледж, он становится завсегдатаем писательского клуба «Буханка хлеба», где написал «одноактную пьесу о знахаре, который менял личности людей с помощью эндокринных желез»{96}. Роберт Фрост согласился прочитать несколько рассказов Скиннера, после чего написал весьма благосклонное письмо с похвалой его творчеству и дал следующий совет: «Все, что делает писателя писателем, – это способность убедительно и откровенно писать, исходя из необъяснимого и почти непреодолимого личного предубеждения. …Я считаю, что такое предубеждение есть у каждого человека и требуется какое-то время, чтобы почувствовать желание говорить и писать, исходя из него. Однако многие заканчивают тем, с чего начинали, изображая предубеждения других людей»{97}.

Получив такую поддержку, летом 1926 года Скиннер, решительно настроившись стать писателем, переехал в Скрантон, в дом своих родителей. Но оказалось, не так просто найти свое личное предубеждение, а отыскав его, еще сложнее изложить в литературной форме. Проведенное в Скрантоне время было потрачено зря; Скиннеру удалось написать пару рассказов и сонет о профсоюзном лидере Джоне Митчелле, но в основном он занимался тем, что строил модели кораблей и ловил далекие сигналы из Питтсбурга и Нью-Йорка по радио, которое в ту пору было еще новой игрушкой, позволявшей убивать время.

«Нарастало раздражение по поводу всего, что связано с литературой, – писал впоследствии Скиннер об этом периоде. – Я потерпел неудачу в качестве писателя, поскольку мне нечего было сказать важного, но я не мог принять такое объяснение. Наверное, во всем виновата литература»{98}. А далее еще более резкая формулировка: «Литература должна быть уничтожена»{99}.

Скиннер был постоянным читателем литературного журнала The Dial, на страницах которого познакомился с философскими сочинениями Бертрана Рассела, а через Рассела узнал о великом Джоне Уотсоне, который первым предложил бихевиористскую точку зрения, ставшую впоследствии почти синонимичной имени Скиннера. Уотсон считал, что ученые занимаются только наблюдением за результатами экспериментов, а для гипотез по поводу сознания и души в их деятельности места нет. Хорошо известно его изречение, суть которого сводится к отрицанию существования души: «Никто никогда не прикасался к душе и не видел ее в пробирке»{100}. По всей вероятности, бескомпромиссные умозаключения Уотсона настолько заинтриговали Скиннера, что он поступил в Гарвардский университет, где начал изучать психологию, готовясь исключить расплывчатое, неуправляемое «я» из научного исследования поведения.

В свое время Скиннер был поражен случаем спонтанного потока речи, который произошел с ним однажды в лаборатории: какое-то устройство издавало на заднем плане повторяющийся, ритмичный звук, и Скиннер обнаружил, что разговаривает с ним, придерживаясь этого ритма и тихо повторяя: «Тебе ни за что не выбраться, тебе ни за что не выбраться, тебе ни за что не выбраться»[113]{101}. То, что напоминало речь, а в каком-то смысле даже поэзию, на самом деле было результатом автономного вербального процесса, не требующего никаких осознанных действий со стороны автора[114]. В итоге у Скиннера возникла идея, которая позволила ему свести счеты с литературой: если язык, даже язык великих поэтов, – всего лишь еще одна разновидность поведения, которое формируется под воздействием стимулов, – то почему его нельзя воссоздать в лаборатории?

В колледже Скиннер писал подражания сонетам Шекспира, впоследствии описав этот опыт в сугубо бихевиористском стиле как «странное и волнующее порождение целых готовых строк со строго выдержанным размером и ритмом»{102}. Став молодым профессором психологии в Миннесоте, Скиннер представил самого Шекспира скорее как генератора, а не сочинителя стихотворных строк. В то время этот подход выглядел не таким нелепым, как сейчас, поскольку тогда доминирующей формой литературной критики было «вдумчивое чтение», обнаруживавшее такие же признаки философии Уотсона, что проявлял и сам Скиннер, когда отдавал сугубо бихевиористское предпочтение словам, написанным на странице, перед не поддающимися наблюдению намерениями автора{103}.

Шекспир известен как мастер аллитерации[115] (составление стихотворных строк, в которых несколько следующих друг за другом слов начинаются с одной и той же буквы), например: «Full fathom five thy father lies…» («Отец твой спит на дне морском…[116]). Скиннер не считал доказательство, сделанное на основе примеров, научным. Действительно ли Шекспир использовал аллитерацию? Если да, это можно доказать с помощью математики. Скиннер писал: «Доказательства существования процесса, отвечающего за образование аллитерационных структур, можно получить только посредством статистического анализа всех вариантов расположения начальных согласных в достаточно большой выборке»{104}. Но какая разновидность статистического анализа имеется в виду? Не иначе как проверка p-значений Фишера. В данном случае нулевая гипотеза состоит в том, что Шекспир вообще не обращал внимания на начальные звуки слов, а значит, первая буква одного слова стихотворения не оказывает никакого воздействия на другие слова в той же строке. Протокол этого статистического анализа во многом напоминает протокол проведения клинических испытаний, но с одним существенным отличием: исследователь, проводящий медико-биологические испытания нового лекарственного препарата, от всей души надеется, что нулевая гипотеза будет опровергнута и он получит подтверждение эффективности своего лекарства. Для Скиннера, поставившего перед собой цель снести литературную критику с постамента, нулевая гипотеза, напротив, была весьма привлекательной идеей.

Согласно нулевой гипотезе, частота, с которой начальные звуки несколько раз встречаются в одной и той же строке, останется неизменной, если все слова сложить в мешочек, перемешать их там и выложить снова в произвольном порядке. Именно это и обнаружил Скиннер в составленной им выборке из сотни сонетов. Шекспир не прошел проверку статистической значимости. Вот что пишет по этому поводу Скиннер:

«Кажущееся изобилие» – какая дерзость! Эта фраза идеально передает дух той психологии, которую хотел создать Скиннер. Если Фрейд заявлял о том, что видит ранее скрытое, вытесненное в подсознание или завуалированное, Скиннер стремился сделать нечто прямо противоположное – опровергнуть то, что было на первый взгляд очевидным.

Однако Скиннер ошибался: он не доказал, что Шекспир не использовал аллитерацию. Проверка значимости – это всего лишь инструмент, подобный телескопу. А некоторые инструменты бывают более мощными по сравнению с другими. Если вы посмотрите на Марс через телескоп исследовательского уровня, то увидите его спутники; взглянув на эту планету через бинокль, вы их не различите. Но спутники там все-таки есть! Точно так же в сонетах Шекспира присутствуют аллитерации. По данным историков литературы, в те времена аллитерация была стандартным приемом, которым владели и сознательно использовали почти все авторы, писавшие свои произведения на английском языке{106}.

Однако Скиннер доказал другое: шекспировские аллитерации не создают настолько большого избытка повторяющихся звуков, чтобы его можно было бы зафиксировать в процессе проверки статистической значимости. Но разве стоило этого ожидать? Использование аллитерации в поэзии имеет как положительные, так и отрицательные стороны; в некоторых случаях аллитерацию используют для создания эффекта, тогда как в других случаях этот прием намеренно не используют, чтобы не получить нежелательного эффекта. Возможно, тенденция к увеличению общего количества стихотворных строк с аллитерацией действительно существует, но, если даже это действительно так, подобное увеличение должно быть достаточно незначительным. Используйте в своих сонетах на одну-две больше строк с аллитерацией – и станете одним из тех бескрылых сочинителей, которых высмеивал поэт елизаветинской эпохи Джордж Гаскойн:

Что на латыни означает: «Дважды сваренная капуста – смерть».

Сочинения Шекспира богаты всевозможными эффектами, но при этом поэт всегда знал меру: он ни за что не положил бы столько переваренной капусты, чтобы ее запах мог дойти до Скиннера, снимающего с его сонетов свою грубую пробу.

Статистическое исследование, глубина которого не позволяет зафиксировать феномен ожидаемого размера, называется недостаточно мощным исследованием. Такое исследование равносильно тому, чтобы смотреть на планеты через бинокль. Есть у планеты спутники или нет – вы получите один и тот же результат, а значит, можно было и не утруждать себя, пытаясь с помощью бинокля сделать то, что должен делать телескоп. Проблема низкой мощности исследования – это обратная сторона ситуации, сложившейся в Великобритании из-за предупреждения по поводу противозачаточных средств. С одной стороны, мощное исследование (такое как клинические испытания контрацептивов нового поколения) может повлечь за собой чрезмерное беспокойство по поводу незначительного воздействия, которое на самом деле не представляет особой важности. С другой стороны, недостаточно мощное исследование способно привести к тому, что по ошибке будет отброшено небольшое воздействие, для обнаружения которого данный метод оказался слишком слабым.

Возьмем в качестве примера Спайка Альбрехта. Никто не ожидал, что этот новичок из мужской баскетбольной команды Мичиганского университета с ростом всего 1 метр 80 сантиметров, который провел большую часть сезона на скамейке запасных, сыграет важную роль в финальном матче NCAA[118] между командами «Мичиган Вулверинс» и «Луисвилл Кардиналс»[119], состоявшемся в 2013 году. Тем не менее Альбрехт сделал пять прямых бросков (четыре из которых оказались результативными трехочковыми бросками) всего за десять минут первой половины матча, что дало команде Мичиганского университета преимущество в десять очков перед «Кардиналами», которые считались явными фаворитами. Создавалось впечатление, что у Альбрехта есть то, что любители баскетбола называют «счастливой рукой», – неспособность промахнуться, с какого бы расстояния ни был сделан бросок или какой бы жесткой ни была защита соперника.

Вот только существует ли таинственная «счастливая рука»? В одной из самых знаменитых современных работ по когнитивной психологии (1985) Томас Гилович, Роберт Валлон и Амос Тверски сделали с любителями баскетбола то же, что сделал Скиннер с поклонниками великого барда{108}. Они собрали материал обо всех бросках, сделанных игроками команды «Филадельфия Севенти Сиксерс»[120] во время сорока восьми домашних матчей сезона 1980/81 года, и провели статистический анализ этих данных. Если у игроков есть предрасположенность либо к серии результативных бросков, либо к серии промахов, следует ожидать, что тот или иной игрок с большей вероятностью сделает результативный бросок после попадания, чем после промаха. Когда Гилович, Валлон и Тверски провели опрос среди поклонников НБА, то обнаружили, что эта теория получила широкую поддержку: девять из десяти респондентов согласились с тем, что игрок с большей вероятностью забросит мяч в корзину, если накануне он сделал два или три результативных броска подряд.

Однако ничего подобного в команде «Филадельфии» не происходило. У Джулиуса Ирвинга (великого Доктора Джея) общий показатель реализации бросков в одной игре составил 52 %. После трех прямых попаданий в корзину (что могло бы показаться вам признаком «счастливой руки») его показатель реализации бросков снизился до 48 %. Напротив, после трех промахов подряд процент реализации бросков Ирвинга не снизился, а остался на уровне 52 %. У других игроков этот эффект носил еще более выраженный характер, например у Шоколадного Грома – Дэррила Доукинса. После попадания его общий показатель реализации бросков, составлявший 62 %, снизился до 57 %, а после промаха повысился до 73 %, что было прямо противоположно прогнозам любителей баскетбола. (Вот одно из возможных объяснений: промах означает, что Доукинс столкнулся с эффективными действиями защитников по периметру площадки, это заставило его осуществить быструю атаку и сделать один из тех фирменных слэм-данков[121] с разбиванием щита вдребезги, которым он сам давал такие названия, как «плевок тебе в лицо» или «турбосексофонный восторг».)

Означает ли это, что явления «счастливой руки» не существует? Пока еще нет. Ведь по большому счету «счастливая рука» не являет собой общую закономерность, при которой попадание следует за попаданием, а промах – за промахом. Это мимолетное явление, когда на площадке мячом владеет высшее баскетбольное существо, обитающее в теле игрока на протяжении короткого блистательного мига, – которое приходит и уходит без предупреждения. Спайк Альбрехт на десять минут превращается в Рэя Аллена, безжалостно реализует серию трехочковых бросков, а затем снова становится Спайком Альбрехтом. Может ли статистический тест обнаружить это? Теоретически почему бы и нет? Гилович, Валлон и Тверски изобрели хитрый способ выявления подобных интервалов – мигов неудержимой решимости. Они разбили результаты каждого игрока за сезон на непересекающиеся последовательности по четыре броска в каждой. Предположим, общая цепочка попаданий (H – hit) и промахов (M – miss) Доктора Джея выглядела так:

Самый неприятный философский вопрос в отношении проверки значимости нулевой гипотезы возникает уже в самом начале, еще до применения любого из тщательно продуманных алгоритмов, разработанных Фишером и усовершенствованных его последователями. Этот момент наступает в начале второго шага:

«Предположим, нулевая гипотеза истинна».

Однако в большинстве случаев мы пытаемся доказать обратное: что нулевая гипотеза не является истинной. Лекарственный препарат работает, Шекспир использует аллитерации, в Торе заложено все будущее. С логической точки зрения, кажется сомнительным исходить именно из того предположения, которое мы стремимся опровергнуть, – создается впечатление, будто мы рискуем создать замкнутый круг в доказательстве.

На этот счет можете быть спокойны. Выдвигать предположение об истинности того, что мы втайне считаем ложным, – это проверенный временем метод аргументации, восходящий еще к Аристотелю. Речь идет о доказательстве от противного, reductio ad absurdum. Подобное доказательство – своего рода математическое дзюдо, в ходе которого мы сначала утверждаем, что в конечном счете хотим опровергнуть, планируя перебросить его через плечо и победить посредством его же собственной силы. Если гипотеза приводит к ложным выводам[124], тогда и сама гипотеза должна быть ошибочной. Следовательно, план действий сводится к следующему:

• предположим, гипотеза Н истинна;

• из гипотезы Н вытекает, что определенный факт F не может иметь место;

• однако факт F имеет место;

• следовательно, гипотеза Н ошибочна.

Предположим, кто-то скажет вам, что во время массовой стрельбы в округе Колумбия погибло двести детей. Это гипотеза. Однако проверить такую гипотезу может быть достаточно трудно (я имею в виду, что, если ввести в поисковик Google фразу «количество детей, погибших от огнестрельного оружия в округе Колумбия в 2012 году», прямой ответ получить не удастся). С другой стороны, если мы предположим, что эта гипотеза истинна, тогда в округе Колумбия в 2012 году не могло быть меньше двухсот случаев насильственной смерти. Однако на самом деле таких случаев было меньше – всего восемьдесят восемь{114}. Следовательно, гипотеза человека, сообщившего вам об этом, должна быть ошибочной. Здесь нет никакого замкнутого круга в доказательстве: мы приняли ошибочную гипотезу в качестве предварительного, пробного предположения, тем самым создали противоречащий фактам воображаемый мир, в котором истинна данная гипотеза Н, а затем наблюдали за тем, как этот мир разваливается под натиском реальности.

В такой формулировке метод доказательства от противного кажется почти элементарным, и в каком-то смысле так оно и есть, но, наверное, было бы правильнее сказать, что это инструмент мышления, к использованию которого мы слишком привыкли и часто забываем, насколько он эффективен. В действительности именно простой метод от противного лежит в основе сформулированного Пифагором доказательства иррациональности квадратного корня из двух – доказательства, которое оказывало настолько разрушительное воздействие на существовавшую в то время систему понятий и воззрений, что его автора пришлось убить. Это настолько простое, изящное и компактное доказательство, что я могу записать его на паре страниц.

Предположим, гипотеза Н состоит в следующем:

Н – квадратный корень из двух есть рациональное число.

Другими словами, мы предположили, что √2 – это число, представленное в виде дроби m/n, где m и n – целые числа. Эту дробь можно привести к несократимому виду: если у числителя и знаменателя есть общий делитель, их можно сократить, сохранив дробь неизменной: нет смысла писать 10/14 вместо более простой дроби 5/7. Давайте перефразируем нашу гипотезу:

Н: квадратный корень из 2 равен m/n, где m и n – целые числа, не имеющие ни одного общего делителя.

В действительности это означает, что оба числа m и n не могут быть четными. Если предположить, что оба числа четные, это равносильно тому, чтобы сказать, что у них общий делитель 2. В таком случае, как и в случае дроби 10/14, можно было бы сократить числитель и знаменатель на 2, не изменив саму дробь, а значит, у нас была бы дробь, не приведенная к простейшему виду. Следовательно, утверждение

F: m и n есть четные числа

ложное.

Поскольку √2 = m/n, после возведения обеих частей этого уравнения в квадрат мы увидим, что 2 = m²/n², или, что то же самое, 2n² = m². Следовательно, m² – это четное число, а это значит, что само число m также четное. Число является четным, если его можно представить в виде произведения числа 2 на другое целое число, а значит, мы можем записать число m в виде 2k, где k – целое число. Это означает, что 2n² = (2k)² = 4k². Сократив обе стороны на 2, мы получим n² = 2k².

В чем смысл всех этих алгебраических преобразований? Просто показать, что n² равно двум k², а значит, это число четное. Но если n² четное число, тогда и само n должно быть четным, так же как и m. Но это означает, что утверждение F истинно. Выдвинув гипотезу H, мы пришли к ошибочному и даже абсурдному выводу, что утверждение F истинно и ложно одновременно. Следовательно, гипотеза H должна быть ошибочной. Квадратный корень из 2 – это не рациональное число. Предположив, что оно является таковым, мы доказали, что это не так. На самом деле довольно странный прием, но он работает.

Проверку значимости нулевой гипотезы можно представить как несколько размытую версию доказательства от противного:

• предположим, нулевая гипотеза Н истинна;

• из гипотезы Н вытекает, что некий результат О очень маловероятен (скажем, не превышает порог Фишера 0,05);

• однако результат О был установлен посредством наблюдений;

• следовательно, вероятность Н крайне мала.

Другими словами, мы имеем здесь не доказательство от противного, а доказательство от маловероятного.

Классический пример такого доказательства привел астроном и священник XVIII столетия Джон Митчелл, который одним из первых использовал статистический подход к изучению небесных тел{115}. За скоплением тусклых звезд в одном углу созвездия Тельца наблюдала едва ли не каждая цивилизация. В племени навахо это скопление называют Dilyehe, «Сверкающая фигура», в племени маори – Matariki, «Глаз Бога». Для древних римлян это была гроздь винограда, у японцев это Subaru (если вдруг вам интересно, почему на логотипе компании изображено шесть звезд). Мы называем это звездное скопление Плеядами.

Столетия наблюдений и мифотворчества не смогли ответить на фундаментальный научный вопрос: действительно ли это звездное скопление является скоплением? Или эти шесть звезд разделены недоступными пониманию расстояниями и просто случайно расположены почти в одним и том же направлении от Земли? Точки света, в случайном порядке размещенные в нашем поле зрения, выглядят примерно так{116}:

Вы видите здесь несколько групп, не так ли? Этого следовало ожидать: неизбежно формируются группы звезд, как будто почти взгромоздившихся друг на друга по воле случая. Как можно быть уверенными в том, что это не происходит с Плеядами? Это тот же феномен, на который обратили внимание Гилович, Валлон и Тверски: разыгрывающий игрок, который отличается высоким постоянством игры без взлетов и падений, время от времени все же делает по пять результативных бросков подряд.

На самом деле, если не было бы больших видимых скоплений звезд (как на представленном ниже рисунке), это само по себе свидетельствовало бы о том, что здесь действует некий неслучайный процесс. Второй рисунок может показаться невооруженному глазу более хаотичным, но на самом деле это не так: он показывает, что этим точкам присуща склонность избегать образования скоплений.

Следовательно, сам феномен существования наблюдаемых скоплений не должен убеждать нас в том, что рассматриваемые звезды действительно образуют группу в пространстве. С другой стороны, группа звезд на небе может быть настолько плотной, что отвергаются любые сомнения в случайности этого феномена. Митчелл показал, что, если видимые звезды были бы разбросаны в пространстве в случайном порядке, вероятность того, что шесть звезд образуют подобное Плеядам звездное скопление, предстающее перед нашим взором, крайне мала: около одного шанса на 500 тысяч, по расчетам самого Митчелла. Но вот они над нами – звезды, образующие гроздь винограда. Митчелл пришел к следующему умозаключению: только глупец может считать, что это произошло по воле случая.

Фишер одобрительно отзывался о работе Митчелла, совершенно ясно давая понять, что он видит в ней аналогию между аргументацией Митчелла и классическим доказательством от противного: «Сила, которая поддерживает данный вывод, – это, если рассуждать логически, простая дизъюнкция: либо имеет место крайне редкий случай, либо теория случайного распределения не соответствует действительности»{117}.

Весьма убедительный аргумент, из которого сделан правильный вывод: Плеяды – на самом деле не оптическое совмещение, а реальное скопление звезд – нескольких сотен взрослых звезд, а не только те шесть, видимые невооруженным глазом. Тот факт, что мы видим много других очень плотных звездных скоплений, подобных Плеядам (намного более плотных, чем это было бы возможно, если бы они возникли по воле случая), – это веское доказательство в пользу того, что звезды расположены в пространстве не в случайном порядке, а скорее образуют группы под воздействием некоего реального физического феномена, существующего в свободном пространстве.

Но есть и плохая новость: доказательство от маловероятного, в отличие от его аристотелевского предшественника, в общем случае нельзя считать логически состоятельным. Это доказательство вовлекает нас в мир собственных логических противоречий. Джозеф Берксон, долгое время возглавлявший отделение медицинской статистики в клинике Maйo, открыто критиковал методику, которую считал ненадежной{118}. Именно он предложил знаменитый пример, демонстрирующий подводные камни данного метода. Предположим, у вас есть группа из пятидесяти испытуемых, в отношении которых вы выдвигаете гипотезу (Н), что они – люди. Вы видите, что один из них альбинос (О). В принципе альбинизм – крайне редкое явление, встречающееся не более чем у одного из 20 тысяч людей. Таким образом, если исходить из того, что гипотеза Н верна, вероятность того, что вы обнаружите альбиноса среди пятидесяти испытуемых, достаточно мала, менее чем 1 из 400[125], или 0,0025. Следовательно, p-значение (вероятность наблюдения О при условии Н) намного меньше 0,05.

Это неизбежно приводит нас к умозаключению, что с высокой степенью статистической достоверности гипотеза Н неверна, а значит, испытуемые, входящие в состав данной выборки, – не люди.

Возникает большой соблазн считать, что выражение «очень маловероятное событие» означает то же, что и «по существу невозможное событие», а затем все чаще произносить слова «по существу» только мысленно, пока мы вообще не перестанем принимать их во внимание[126]. Однако невозможное и маловероятное – это совсем не одно и то же. Невозможное не происходит никогда, а вот маловероятное случается часто. Это означает, что мы становимся на шаткую логическую почву, когда пытаемся делать выводы из маловероятных результатов наблюдений, как того требует доказательство от маловероятного. Когда в розыгрышах лотереи Северной Каролины два раза на протяжении одной недели выпала одна и та же комбинация чисел 4, 21, 23, 34, 39, это подняло много вопросов: может, что-то не так с самой игрой? Однако каждая комбинация цифр может выпасть с точно такой же вероятностью, что и любая другая комбинация. Выпадание чисел 4, 21, 23, 34, 39 во вторник и чисел 16, 17, 18, 22, 39 в четверг – это в точности такое же маловероятное событие, как и то, что произошло на самом деле: вероятность получения двух комбинаций чисел в эти два дня составляет всего один шанс из примерно 300 миллиардов. В действительности вероятность выпадания любой конкретной комбинации чисел во время розыгрыша лотереи во вторник и в четверг составляет один шанс из 300 миллиардов. Если вы придерживаетесь точки зрения, что такой в высшей степени маловероятный результат дает вам основания, чтобы поставить под сомнение честность игры, вы станете человеком, который на протяжении всей своей жизни каждый четверг отправляет уполномоченному по лотереям сердитое письмо, какие бы числа ни выпали из барабана.

Не становитесь таким человеком.

Критическая оценка Митчеллом идеи, что наш взгляд обнаружил бы скопления звезд, даже если бы они были случайно распределены по полю зрения, применима не только к небесной сфере. Этот феномен лег в основу сюжета пилотного эпизода математического детективного сериала Numb3rs[127]. Во всем множестве ужасных преступлений, отмеченных булавками на настенной карте в штаб-квартире ФБР, нет никаких кластеров; следовательно, это работа одного хитрого серийного убийцы, намеренно оставляющего место между жертвами, а не всплески активности психопатов, не связанные между собой. Сюжет был задуман как детективная история, но с математической точки зрения он абсолютно корректен.

Наличие кластеров в случайных данных позволяет постичь суть происходящего даже в ситуациях, в которых вообще отсутствует элемент случайности, как в поведении простых чисел. Известный преподаватель математики из Университета Нью-Гемпшира Итан Чжан по прозвищу Том в 2013 году потряс весь мир чистой математики, когда объявил, что доказал гипотезу об ограниченных промежутках, касающуюся распределения простых чисел{119}. Чжан был лучшим студентом Пекинского университета, но, после того как в 1980-х годах переехал в США для получения ученой степени, так и не добился особых успехов. После 2001 года он не опубликовал ни одной научной работы. В какой-то момент Чжан вообще перестал заниматься академической математикой и продавал сэндвичи в метро, пока бывший однокурсник из Пекина не нашел его и не помог получить должность лектора в Университете Нью-Гемпшира. Все как будто говорило о том, что как ученый Чжан не состоялся. Именно поэтому большой неожиданностью стала его публикация с доказательством теоремы, которую безуспешно пытались одолеть некоторые крупнейшие специалисты по теории чисел.

Однако сам факт, что гипотеза оказалась истинной, не стал неожиданностью. Математики имеют репутацию неисправимых упрямцев, не верящих в существование феномена до тех пор, пока этот факт не будет установлен и доказан. Но это не совсем так. Все мы верили в истинность гипотезы об ограниченных промежутках еще до большого откровения Чжана, и все мы убеждены в истинности тесно связанной с ней гипотезы о простых числах-близнецах, хотя она до сих пор остается недоказанной. Почему?

Давайте начнем с того, о чем говорят эти две гипотезы. Простые числа – это числа больше 1, которые не делятся ни на какое число, кроме самого себя (и 1). Следовательно, 7 – это простое число, тогда как 9 – нет, поскольку оно делится на 3. Вот начало ряда простых чисел: 2, 3, 5, 7, 11, 13.

Каждое положительное число можно выразить в виде произведения простых чисел только одним способом. Например, число 60 раскладывается на два раза по два, один раз три и один раз пять, поскольку 60 = 2 × 2 × 3 × 5. (Вот почему мы не держим единицу за простое число (хотя в прошлом некоторые математики считали именно так): это нарушило бы уникальность разложения, поскольку, если 1 считать простым числом, число 60 можно записать как 2 × 2 × 3 × 5, 1 × 2 × 2 × 3 × 5, 1 × 1 × 2 × 2 × 3 × 5…). Что можно сказать о самих простых числах? С ними все в порядке: любое простое число, скажем число 13, – это произведение одного простого числа, самого числа 13. А как насчет 1? Мы исключили 1 из списка простых чисел, так как это может быть произведением простых чисел, каждое из которых больше 1? Очень просто: 1 – это произведение нуля простых чисел.

В этот момент меня часто спрашивают: «Почему произведение нуля простых чисел равно 1, а не 0?» Вот одно несколько запутанное объяснение. Если взять произведение какого-то множества простых чисел, скажем чисел 2 и 3, а затем разделить его на умноженные простые числа, у вас останется произведение чисел, которых уже нет; при этом 6, разделенное на 6, равно 1, а не 0. (С другой стороны, сумма нуля чисел действительно равна 0.)[128]

Простые числа – элементарные частицы теории чисел, базовые неделимые элементы, из которых состоят все числа. По этой причине они были объектом активного изучения с самого начала теории чисел. Одной из первых теорем, доказанных в теории чисел, стала теорема Евклида, гласившая, что существует бесконечное количество простых чисел: они никогда не закончатся, каким бы длинным ни был числовой ряд, который может составить наш разум.

Однако математики всегда жаждут большего; они не желают удовлетворяться одним только утверждением о бесконечности. В конце концов, есть бесконечность и есть бесконечность. Существует бесконечное количество степеней числа 2, но они встречаются очень редко. В первой тысяче чисел всего десять степеней числа 2[129]:

Я обратил внимание на такой факт: почти никто не знает, что такое логарифм. Позвольте мне исправить эту ситуацию. Логарифм положительного числа N, который обозначается как log N, – количество цифр, из которых состоит это число.

Погодите-ка, разве это действительно так? Это и есть логарифм?

Нет, на самом деле не совсем так. Мы можем назвать количество цифр в числе «фальшивым логарифмом», или флогарифмом. Флогарифм достаточно близок к реальному логарифму, чтобы дать общее представление о смысле логарифма в данном контексте. Флогарифм (а значит, и логарифм) – чрезвычайно медленно растущая функция: флогарифм тысячи равен 4, флогарифм миллиона (в тысячу раз большего числа) равен 7, а флогарифм миллиарда – всего 10[130].

Теорема о распределении простых чисел гласит, что доля простых чисел среди первых N целых чисел составляет около 1/log N. В частности, простые числа встречаются все реже по мере увеличения чисел, хотя частота встречаемости простых чисел уменьшается очень медленно: случайное число из двадцати цифр может быть простым с вероятностью, в два раза меньшей, чем число из десяти цифр.

Вполне естественно предположить, что чем чаще встречаются числа определенного типа, тем меньше промежутки между такими числами. В случае четного числа вам не придется перемещаться вперед больше, чем на два числа, чтобы найти следующее четное число; на самом деле промежутки между четными числами всегда составляют ровно 2. В случае степеней числа 2 совсем другая история. Промежутки между двумя следующими друг за другом степенями числа 2 возрастают по экспоненциальному закону, неуклонно увеличиваясь все больше и больше, по мере того как вы проходите эту последовательность. Например, добравшись до степени 2⁴ = 16, вы больше никогда не увидите две степени числа 2, расстояние между которыми составляет 15 или менее.

Это две простые задачи, а вот вопрос о промежутках между последовательными простыми числами более сложен. На самом деле этот вопрос настолько сложен, что даже после прорыва Чжана он во многих отношениях остается загадкой.

Тем не менее, на наш взгляд, мы знаем, чего ожидать, благодаря удивительно плодотворной точке зрения: давайте считать простые числа случайными величинами. Причина столь высокой плодотворности этой точки зрения состоит в том, что она в высшей степени ошибочна. Простые числа не являются случайными! В них нет ничего произвольного, и они не подвержены воле случая. Напротив, мы воспринимаем их как неотъемлемый элемент Вселенной; мы вырезаем их на золотых табличках и отправляем в межзвездное пространство, чтобы доказать представителям внеземных цивилизаций, что мы не дураки.

Простые числа не относятся к категории случайных величин, но они во многих отношениях ведут себя так, словно они случайные числа. Например, если разделить произвольное целое число на 3, в остатке с равной вероятностью будет либо 0, либо 1, либо 2. Если разделить большое простое число на 3, частное не может быть целым числом, поскольку в противном случае так называемое простое число можно было бы разделить на 3, а это значило бы, что оно вовсе не простое. Однако старая теорема Дирихле гласит, что остаток 1 имеет место с такой же вероятностью, что и остаток 2, – точно так же, как и в случае случайных чисел. Следовательно, с точки зрения «остатка от деления на 3» простые числа напоминают случайные числа, не считая того, что они не могут быть кратны 3.

А что насчет промежутков между последовательными простыми числами? Можно предположить, что, поскольку по мере увеличения чисел простые числа встречаются все реже, они становятся более отдаленными друг от друга. В целом это действительно так. Однако Чжан доказал, что существует бесконечное количество пар простых чисел, отличающихся друг от друга максимум на 70 миллионов. Другими словами, множество простых чисел, разница между которыми не превосходит 70 миллионов, бесконечно. В этом и состоит гипотеза об ограниченных промежутках между простыми числами.

Почему 70 миллионов? Потому, что это то, что Чжан смог доказать. В действительности публикация работы Чжана повлекла за собой взрыв активности: математики всего мира начали работать вместе в рамках проекта Polymath (своего рода онлайнового кибуца) над сужением промежутка, применяя для этого различные варианты метода Чжана. В июле 2013 года этой группе математиков удалось доказать, что существует бесконечно больше промежутков, не превышающих 5414. В ноябре Джеймс Мэйнард, только что получивший ученую степень в Монреале, сократил этот промежуток до 600, а участники проекта Polymath начали активно работать над объединением его идей с идеями группы. К тому моменту, когда вы будете читать данную книгу, этот промежуток, вне всяких сомнений, станет еще меньше[131].

На первый взгляд ограниченный промежуток между простыми числами может показаться чем-то удивительным. Если простые числа становятся все более отдаленными друг от друга, почему существует так много пар простых чисел, расположенных близко друг от друга? Может существует некая сила притяжения между простыми числами?

Ничего подобного. Если распределить простые числа в случайном порядке, велика вероятность, что некоторые пары чисел по воле случая окажутся рядом друг с другом – подобно тому, как точки, рассредоточенные на плоскости, образуют видимые скопления.

Нетрудно подсчитать, что, если простые числа вели бы себя подобно случайным числам, мы увидели бы именно такое поведение, какое продемонстрировал Чжан. Более того, можно было бы ожидать, что существует бесконечно большое количество пар простых чисел, отличающихся на 2, например таких пар, как 3 и 5 и 11 и 13. Это так называемые простые числа-близнецы, бесконечность количества которых остается гипотезой.

(Ниже приведены некоторые расчеты. Если они не представляют для вас интереса, можете пропустить их и перейти к абзацу, который начинается словами: Большое количество простых чисел-близнецов…)

Помните: теорема о распределении простых чисел гласит, что из первых N чисел N/log N чисел являются простыми. Если бы эти числа были распределены случайным образом, каждое число n могло бы быть простым с вероятностью 1/log N. Таким образом, вероятность того, что числа n и n + 2 оба являются простыми, равна (1/log N) × (1/log N) = (1/log N)². Так какого же количества пар простых чисел, отличающихся на 2, мы можем ожидать? В интересующей нас области существует N пар чисел (n, n + 2), причем каждое из них имеет вероятность быть простым числом-близнецом, равную (1/log N)², а значит, в данном интервале можно ожидать N/(log N)² простых чисел-близнецов.

Существуют некоторые отклонения от чистой случайности, с небольшим воздействием которых специалисты по теории чисел умеют обращаться. Главное то, что события «n – простое число» и «n + 2[132] – простое число» не являются независимыми: если n – простое число, это увеличивает вероятность того, что n + 2 – также простое число, а это означает, что мы не совсем правильно используем произведение (1/log N) × (1/log N). (Обратите внимание: если n – простое число, большее 2, оно нечетное, а это значит, что n + 2 также является нечетным, что повышает вероятность того, что n + 2 – простое число.) Годфри Гарольд Харди, который говорил о «ненужных затруднениях», а также Джон Инденсор Литлвуд, в соавторстве с которым он написал большую часть своих работ, разработали более точный метод прогнозирования с учетом этой зависимости, согласно которому количество простых чисел-близнецов в действительности должно быть на 32 % больше, чем N/(log N)². Такая более точная аппроксимация позволяет предсказать, что количество простых чисел-близнецов, не превышающих квадриллион, должно составлять около 1,1 триллиона – достаточно близкое совпадение с реальной цифрой 1 177 209 242 304. Это много простых чисел-близнецов.

Большое количество простых чисел-близнецов – это и есть то, что ожидают обнаружить специалисты по теории чисел, какими большими ни были бы эти числа, причем не потому, что мы считаем, будто в простых числах скрыта некая глубинная сверхъестественная структура, а именно потому, что мы так не считаем. Мы исходим из того, что простые числа распределены совершенно случайным образом. Если гипотеза о распределении простых чисел была бы ошибочной, именно это было бы настоящим чудом, подразумевающим, что некая до сих пор неведомая сила отталкивает простые числа друг от друга.

Не хотелось бы слишком углубляться в эту тему, но именно так действуют многие знаменитые гипотезы в теории чисел. Гипотеза Гольдбаха, говорящая, что любое четное число больше 2 можно представить в вид суммы двух простых чисел – это еще одна гипотеза, которая была бы истинной только в случае, если простые числа вели бы себя как случайные величины. То же самое можно сказать по поводу гипотезы Бена Грина и Терри Тао, что последовательность простых чисел содержит арифметические прогрессии произвольной длины (за доказательство этой гипотезы в 2004 году Тао получил Филдсовскую премию).

Самой известной стала гипотеза, которую выдвинул в 1637 году Пьер Ферма. Она гласит, что уравнение

Вот притча, которую я узнал от статистика по имени Козма Шализи{120}. Представьте, что вы гаруспик, то есть человек, который предсказывает будущие события по внутренностям принесенных в жертву овец, особенно тщательно подвергается анализу их печень. Безусловно, вы не считаете свои предсказания надежными только потому, что придерживаетесь практики, предписанной этрусскими божествами. Это было бы нелепо. Вам нужны доказательства. Поэтому вы и ваши коллеги отправляете материалы своей работы в рецензируемый журнал под названием «Международный журнал гаруспиции[137]», чьи правила требуют, чтобы все без исключения опубликованные результаты прошли проверку на статистическую значимость.

Гаруспиция, особенно научно обоснованная, подкрепленная фактами, – не слишком легкое занятие. Во-первых, вы проводите много времени, пачкаясь в крови и желчи. Во-вторых, многие из ваших экспериментов не дают требуемых результатов. Вы пытаетесь использовать внутренности овцы для того, чтобы предсказать цену акций Apple, – и терпите неудачу; пытаетесь смоделировать долю голосов, которые отдадут за демократов выходцы из Латинской Америки, – и получаете неверный результат; пытаетесь оценить глобальный уровень предложения нефти – и снова терпите неудачу. Боги весьма своенравны, поэтому не всегда можно точно определить, какое расположение внутренних органов и какие именно заклинания позволят достоверно раскрыть будущее. Иногда разные гаруспики проводят один и тот же эксперимент, который одному обеспечивает нужный результат, а другому нет – кто знает, почему? Все это приводит в уныние. Порой вам хочется все бросить и поступить в юридическую школу.

Однако занятие гаруспицией того стоит – благодаря тем моментам открытия, когда все работает, и вы видите, что текстура и выступы на печени действительно предсказывают тяжелую эпидемию гриппа следующей зимой. И вы, молча поблагодарив богов, публикуете результаты своей работы.

Возможно, вы обнаружите, что это происходит в одном случае из двадцати.

При любых условиях именно на это рассчитывал бы я сам. Поскольку, в отличие от вас, я не верю в гаруспицию. Я считаю, что внутренности овцы ничего не знают о гриппе, а когда данные совпадают, это просто дело случая. Иначе говоря, во всем, касающемся гадания на внутренностях животных, я сторонник нулевой гипотезы. Поэтому в моем мире успешное завершение любого эксперимента с гаруспицией весьма маловероятно.

Насколько маловероятно? Стандартный порог статистической значимости, а значит, и критерий для публикации статьи в «Международном журнале гаруспиции» по соглашению установлен в виде p-значения, равного 0,05, или 1 из 20. Вспомните определение p-значения, которое состоит в том, что, если нулевая гипотеза истинна в случае определенного эксперимента, вероятность того, что этот эксперимент все-таки приведет к получению статистически значимого результата, составляет всего 1 из 20. Если нулевая гипотеза всегда истинна (другими словами, если гаруспиция – это надувательство в чистом виде), тогда результаты только одного из двадцати экспериментов могут быть опубликованными.

Тем не менее существуют сотни гаруспиков и тысячи овец со вспоротыми животами; при этом даже одна двадцатая предсказаний дает достаточно материала для заполнения каждого выпуска журнала новыми результатами, демонстрирующими эффективность этой методики и мудрость богов. Протокол эксперимента, который в одном случае сработал и публикуется в журнале, как правило, не дает нужных результатов, когда его пытается применить другой гаруспик. Однако материалы о проведении экспериментов, не обеспечивших статистически значимые результаты, не публикуются, поэтому никто так и не узнает о неудачных попытках воспроизвести этот эксперимент. И даже если начинают распространяться слухи, всегда есть мелкие различия, на которые могут указать эксперты, чтобы объяснить, почему последующие исследования завершились неудачей. В конце концов, мы ведь знаем, что протокол работает, поскольку проверили его и определили, что он обеспечивает статистически значимые результаты!

Современная медицина и социология – отнюдь не гаруспиция. Тем не менее в последние годы многие ученые все громче бьют тревогу: возможно, в науке гораздо больше данных, полученных в духе гадания на внутренностях животных, чем нам хотелось бы признавать.

Громче всех заявил об этом Джон Иоаннидис; в средней школе, в Греции, он блистал как математик, но впоследствии занялся медико-биологическими исследованиями. В 2005 году Иоаннидис опубликовал статью Why Most Published Research Findings Are False («Почему большинство публикуемых открытий оказываются ошибочными»){121}, вызвавшую в медицинской среде волну жесткой самокритики, а затем вторую волну самозащиты. Мы знаем работы, привлекающие к себе внимание скорее своими сенсационными заголовками, а не собственно содержанием, – но только не в данном случае. Иоаннидис весьма серьезно подходит к идее о том, что целые области медицинских исследований относятся к категории «нулевых областей» (такие как гаруспиция), в которых просто нет фактического воздействия, поддающегося обнаружению. «Можно доказать, что выводы самых востребованных исследований являются ошибочными», – пишет Иоаннидис.

«Доказать» – это несколько больше, чем я готов принять, однако Иоаннидис все же приводит веские доводы в пользу того, что его радикальное утверждение нельзя назвать неправдоподобным. Вот в чем суть истории. В медицине большинство случаев вмешательства, которое мы предпринимаем, не обеспечивает требуемых результатов, а большинство связей, которые мы пытаемся обнаружить, отсутствуют. Возьмем хотя бы связь генов с заболеваниями: геном содержит множество генов, и большинство из них не вызывают рака, или депрессии, или ожирения, или любого другого прямого воздействия, которое можно было бы распознать. Иоаннидис предлагает нам проанализировать случай влияния генов на шизофрению. Такое влияние почти наверняка существует, учитывая, что нам известно о наследственности этого расстройства. Но где находится источник самого влияния в геноме? Исследователи могут забросить большую сеть (ведь сейчас Эпоха Больших Данных) и проанализировать сотни тысяч генов (точнее говоря, генетических полиморфизмов[138]), чтобы выяснить, какие гены связаны с шизофренией. Иоаннидис считает, что около десяти генов действительно могут оказывать клинически значимое воздействие на возникновение этой болезни.

А как насчет оставшихся 99 990 полиморфизмов? Они не имеют никакого отношения к шизофрении. Тем не менее один из двадцати полиморфизмов, или около пяти тысяч, могут пройти проверку статистической значимости, превысив p-значение. Другими словами, среди результатов типа «Боже мой, я нашел ген шизофрении», которые могут быть опубликованы, в пятьсот раз больше фиктивных, чем реальных.

И все это при условии, что тест пройдут все гены, действительно оказывающие воздействие на возникновение шизофрении! Как мы видели в случаях с Шекспиром и баскетболом, реальное воздействие вполне может быть отброшено как статистически незначимое, если исследование недостаточно мощное, чтобы это воздействие обнаружить. Если исследования недостаточно мощные, полиморфизмы, которые действительно имеют отношение к данной болезни, могут пройти проверку значимости только в половине случаев, однако это означает, что из всех полиморфизмов, влияние которых на шизофрению подтверждено p-значением, только пять действительно оказывают такое воздействие, в отличие от пяти тысяч претендентов, прошедших проверку значимости совершенно случайно.

Хороший способ отследить соответствующие величины сводится к тому, чтобы нарисовать круги в клетках матрицы.

Размер каждого круга отображает количество генов в каждой категории. В левой части матрицы находятся отрицательные результаты, или полиморфизмы, которые не прошли проверку значимости, а в правой части – положительные результаты. Две верхние клетки матрицы содержат крохотное множество полиморфизмов, которые действительно связаны с шизофренией: полиморфизмы в правой верхней клетке представляют собой истинные положительные результаты (гены, связанные с шизофренией, и тест подтверждает это), тогда как в левой верхней клетке расположены ложные отрицательные результаты (полиморфизмы, связанные с шизофренией, но тест говорит о том, что это не так). В нижней части матрицы находятся полиморфизмы, не связанные с этим заболеванием: истинные отрицательные результаты представлены большим кругом в нижней левой клетке, а ложные положительные результаты – кружком в нижней правой клетке.

На этом рисунке вы можете увидеть, что сама проверка статистической значимости не является проблемой: тест выполняет именно ту работу, для которой он создан. Полиморфизмы, не имеющие никакого отношения к шизофрении, редко проходят эту проверку, тогда как полиморфизмы, действительно нас интересующие, проходят проверку в половине случаев. Однако неактивные полиморфизмы имеют большое количественное преимущество, и хотя круг ложных положительных результатов достаточно мал по сравнению с истинными отрицательными результатами, он все-таки гораздо больше круга истинных положительных результатов.

И это только цветочки. Недостаточно мощное исследование способно обнаружить лишь довольно большое воздействие. Однако в некоторых случаях вам известно, что такое воздействие (если оно существует) совсем небольшое. Другими словами, результат исследования, которое точно оценивает воздействие того или иного гена, скорее всего будет отброшен как статистически незначимый, тогда как любой результат, прошедший тест p < 0,05, является либо ложным положительным, либо истинным положительным результатом, что значительно преувеличивает воздействие данного гена. Низкая мощность исследования особенно опасна в областях, в которых часто используются небольшие исследования, а размер воздействия, как правило, совсем небольшой{122}. Не так давно в самом авторитетном журнале по психологии Psychological Science была опубликована статья{123}, в которой сказано, что замужние женщины с гораздо большей вероятностью поддерживают кандидата на пост президента США от Республиканской партии Митта Ромни в благоприятный для зачатия период овуляторного цикла: из всех женщин, опрошенных в самый благоприятный для зачатия период, 40,4 % женщин высказались в поддержку Ромни, тогда как всего 23,4 % замужних женщин, опрошенных в неблагоприятные для зачатия периоды, отдали свои голоса за Митта[139]. В данном случае выборка маленькая (всего 228 женщин), а различие между результатами большое – достаточно большое, чтобы пройти тест на p-значение, получив оценку 0,03.

В этом и состоит проблема: различие слишком большое. Действительно ли возможно, что среди всех состоящих в браке женщин, испытывающих симпатию к Митту Ромни, почти половина на протяжении большой части месяца поддерживают Барака Обаму? Неужели этого никто не заметил бы?

Если даже политический поворот в сторону правых во время овуляции действительно существует, то он, по-видимому, существенно меньше. Однако сравнительно небольшой размер исследуемой выборки означает, что, как ни парадоксально, более реалистичная оценка воздействия будет отброшена фильтром p-значения. Другими словами, мы можем быть вполне уверены, что значительное воздействие, о котором свидетельствуют результаты исследования, – это главным образом или всецело всего лишь шум в сигнале.

Однако этот шум с одинаковой вероятностью может направить вас в сторону, противоположную реальному воздействию, а может сказать правду{124}. В итоге мы остаемся в неведении, получив результат, имеющий высокую статистическую значимость, но весьма низкую достоверность.

Ученые называют эту проблему «проклятие победителя», и это одна из причин, почему при повторном проведении того же опыта впечатляющие, громко расхваливаемые результаты экспериментов зачастую тают, превращаясь в удручающую лужицу. В одном показательном случае группа ученых под руководством Кристофера Шабри[140] изучала тринадцать одиночных нуклеотидных полиморфизмов (single-nucleotide polymorphism, далее по тексту – SNP) в геноме, которые в предыдущих исследованиях показали статистически значимую корреляцию с показателем IQ[141]. Нам известно, что способность успешно проходить тесты на определение коэффициента интеллекта в какой-то мере передается по наследству, поэтому поиск генетических маркеров не лишен оснований. Однако, когда команда Шабри проверила эти SNP на предмет корреляции с показателями IQ на больших множествах данных (таких как данные висконсинского лонгитюдного исследования, охватившего 10 тысяч человек), все эти связи оказались статистически незначимыми{125}: если такие связи и существуют, они почти наверняка настолько слабые, что их невозможно обнаружить даже в ходе крупного эксперимента. В наше время специалисты по геномике считают, что наследственный компонент IQ, по всей вероятности, не сосредоточен в нескольких генах «умности», а скорее, формируется как совокупность многочисленных генетических особенностей, каждая из которых оказывает малое воздействие. Это означает, что, занявшись поиском большого воздействия отдельных полиморфизмов, вы добьетесь успеха – с тем же показателем 1 из 20, что и в случае гадания по внутренностям животных.

На самом деле даже Иоаннидис не считает, что только одна из тысячи опубликованных работ безошибочна. Большинство научных исследований не сводится к произвольному блужданию по геному; они проверяют гипотезы, в отношении которых у исследователей есть основания считать, что они истинны, поэтому нижняя строка матрицы не так уж значительно преобладает над верхней строкой. Однако кризис воспроизводимости результатов исследований действительно имеет место. В 2012 году было проведено исследование, в ходе которого ученые из калифорнийской биотехнологической компании Amgen попытались воспроизвести ряд самых известных экспериментальных результатов исследований в области биологии рака (всего пятьдесят три исследования){126}. В процессе проведения независимых испытаний они смогли воспроизвести результаты лишь шести работ.

Как такое могло произойти? Причина не в том, что специалисты по геномике и ученые, изучающие онкологические заболевания, кретины. В какой-то мере кризис воспроизводимости результатов исследований – это просто отражение того факта, что наука трудна, а большинство идей, которые у нас возникают, оказываются неправильными – даже большинство идей, которые прошли первый круг тестирования.

Однако в мире науки существуют практики, которые еще больше усугубляют кризис воспроизводимости результатов исследований, и их можно изменить. Во-первых, мы используем неправильный подход к публикации научных работ. Рассмотрим в качестве примера ситуацию, изображенную на комиксе.

Предположим, вы проверили двадцать генетических маркеров на наличие связи с тем или иным заболеванием и обнаружили, что только один результат имеет статистическую значимость p < 0,05. Будучи грамотным математиком, вы осознаете, что один успешный результат из двадцати – это в точности то, чего вы ожидали бы, если ни один из маркеров не оказывал бы никакого воздействия, и высмеяли бы ничем не обоснованный заголовок, как это пытается сделать художник, нарисовавший этот комикс.

Было бы еще больше оснований утверждать это, если вы протестировали бы тот же ген (или зеленые конфетки из желе) двадцать раз и получили статистически значимый результат только в одном случае.

Но что если двадцать типов конфеток были бы протестированы двадцать раз двадцатью разными исследовательскими группами в двадцати разных лабораториях? В девятнадцати лабораторий не обнаружено статистически значимого воздействия, поэтому исследователи не пишут научные работы по полученным результатам – кто станет публиковать сенсационную новость о том, что зеленые конфетки из желе не имеют никакого отношения к состоянию вашей кожи? Ученые из двадцатой лаборатории (везунчики) обнаруживают статистически значимое воздействие, поскольку им повезло – но они не знают, что им повезло. Все, что они могут сказать, так это то, что они всего один раз проверили гипотезу «зеленые конфетки из желе вызывают прыщи», и она прошла тест на статистическую значимость.

Если вы принимаете решение, какого цвета конфетки можно есть, только на основании опубликованных работ, вы совершаете ту же ошибку, что и армейские чиновники, которые подсчитывали пробоины только на самолетах, вернувшихся после воздушных боев. Как отметил Абрахам Вальд, если вы хотите получить правдивую картину происходящего, необходимо принять во внимание и те самолеты, которые не вернулись.

Это так называемая проблема архивного ящика: в той или иной области науки формируется крайне искаженная картина доказательств в пользу гипотезы, когда широкое распространение полученных данных ограничено порогом статистической значимости. Но мы уже дали этой проблеме другое название. Речь идет о балтиморском брокере. Везучий ученый, который взволнованно готовит публикацию по теме «Связь между зелеными конфетками из желе и дерматологическими проблемами», напоминает наивного инвестора, который отдает все свои сбережения жуликоватому брокеру. Этот инвестор, так же как и ученый, видит только результаты одного эксперимента, по воле случая завершившегося успешно, но ничего не знает о гораздо более многочисленной группе неудавшихся экспериментов.

Однако здесь есть одно существенное различие. В науке нет нечистых на руку мошенников и невинных жертв. Когда члены научного сообщества отправляют результаты неудавшихся экспериментов в архив, они играют и ту и другую роль. Они совершают мошенничество по отношению к самим себе.

И все это при условии, что ученые, о которых идет речь, ведут справедливую игру. Но так бывает не всегда. Помните проблему пространства для маневра, из-за которой попали в ловушку искатели библейских кодов? Ученые, которые вынуждены публиковать свои работы, чтобы не разрушить научной карьеры, могут не устоять перед соблазном того же пространства для маневра. Если вы проводите собственный статистический анализ и получаете p-значение 0,06, вы должны сделать вывод, что ваши результаты статистически незначимы. Однако, чтобы отправить результаты многих лет работы в архив, требуется высокая психологическая устойчивость. В конце концов, разве данные об этом конкретном участнике экспериментального исследования не выглядят несколько подозрительными? Если это резко отклоняющееся значение, может быть, стоит попытаться удалить эту строку из таблицы данных. Был ли учтен возраст? Были ли учтены погодные условия? Был ли учтен возраст и погодные условия? Если только вы позволите себе слегка подправить и завуалировать результаты статистической проверки полученных данных, во многих случаях вам удастся снизить p-значение с 0,06 до 0,04. Профессор Пенсильванского университета Ури Саймонсон, ведущий ученый в области изучения проблемы воспроизводимости результатов исследований, называет эту практику «p-хакингом»{127}[142]. Хакинг p-значения бывает, как правило, не таким грубым, каким я его здесь представил, и редко происходит по злому умыслу. P-хакеры искренне верят в истинность своих гипотез (как в случае искателей библейских кодов), а когда вы верите во что-то, легко обосновать, что анализ, который дает пригодное для публикации p-значение, – это именно то, что вам и следовало сделать с самого начала.

Однако все знают, что на самом деле это неправильно. Когда ученым кажется, что их никто не слышит, они говорят о своей практике: «Пытаем данные, пока они не сознаются». Следовательно, достоверность результатов соответствует тому, что можно ожидать от признаний, полученных силой.

Оценить масштаб проблемы p-хакинга не так просто: невозможно проанализировать работы, которые были отправлены в архив или вообще не были написаны, подобно тому как нельзя изучить самолеты, сбитые во время воздушых боев, чтобы найти места пробоин. Но вы, так же как Абрахам Вальд, можете сделать ряд логических выводов по поводу данных, которые не можете получить напрямую.

Вспомните о «Международном журнале гаруспиции». Что вы увидели бы, если могли бы изучить все когда-либо опубликованные работы и записать обнаруженные там p-значения? Не забывайте о том, что в данном случае нулевая гипотеза неизменно истинна, поскольку гаруспиция не работает. Следовательно, 5 % экспериментов дадут p-значение 0,05 или меньше, 4 % получат p-значение не более 0,04, 3 % – не более 0,03 и так далее. Эту же идею можно сформулировать так: количество экспериментов, обеспечивающих p-значение от 0,04 до 0,05, должно быть примерно таким же, что и в случае p-значения от 0,03 до 0,04, от 0,02 до 0,03 и так далее. Если отобразить все p-значения, упомянутые во всех работах, которые вы изучили, получится такой плоский график.

Но что если вы посмотрите реальный журнал? Хотелось бы надеяться, что многие из тех феноменов, информацию о которых вы ищете, действительно существуют; это повысит вероятность того, что эксперименты получат хорошее (а значит, низкое) p-значение. В таком случае график p-значений должен быть нисходящим.

Однако это не совсем то, что происходит в реальной жизни. В самых разных областях науки, от политологии до экономики, психологии и социологии, детективы от статистики обнаружили заметный восходящий наклон графика при приближении p-значений к порогу 0,05{128}.

Именно этот наклон отображает факт p-хакинга. Такой график говорит о том, что результаты многих экспериментов, попадающие на ту сторону границы p = 0,05, на которой находятся не подлежащие публикации работы, посредством обмана, незначительных изменений, поправок или элементарного искажения были перенесены на более благоприятную сторону графика. Это хорошо для ученых, но плохо для науки.

Но что если автор работы отказывается истязать данные или если пытки все равно не дают требуемого результата и p-значение остается на уровне, слегка превышающем столь важный порог 0,05? В этом случае есть обходные пути. Ученые придумывают замысловатые формулировки, пытаясь оправдать получение результатов, не достигших порога статистической значимости. Они говорят, что эти результаты «почти значимы», «склоняются к значимости», «находятся на грани значимости» или даже что они «колеблются на пределе значимости»[143]. Конечно, можно было бы просто высмеять испытывающих такие муки исследователей, полагающихся на подобные фразы, но мы должны критиковать игру, а не игроков, ведь не они виновны в том, что публикация результатов их работы зависит от принципа «все или ничего». Принимать решение «жить или умереть» исключительно по значению 0,05 означало бы совершить крупную ошибку, обращаясь с непрерывной переменной (сколько у нас есть доказательств в пользу того, что лекарственный препарат работает, ген определяет IQ, а женщины в фертильный период отдают предпочтение республиканцам?) так, будто это бинарная переменная (истинный или ложный? да или нет?). Ученым необходимо дать возможность составлять отчеты о статистически незначимых данных.

В некоторых ситуациях их даже можно вынудить сделать это. Верховный суд США в 2010 году единогласно вынес решение, что Matrixx, производитель средства от простуды Zicam, обязан раскрыть информацию о том, что у некоторых пациентов, принимавших этот препарат, возникла аносмия, потеря обоняния{129}. В этом судебном решении, которое составила Соня Сотомайор, было сказано, что, хотя данные о случаях аносмии не прошли проверку значимости, они все-таки входят в «общую совокупность» информации, на доступ к которой у инвесторов компании есть полное право. Результат с низким p-значением может представлять собой слабое доказательство, но слабое доказательство – это лучше, чем полное его отсутствие; результат с высоким р-значением мог бы стать более сильным доказательством, но, как мы уже видели, он все равно далек от подтверждения того факта, что заявленное воздействие реально.

Если уж на то пошло, в значении 0,05 нет ничего особенного. Это абсолютно произвольное значение, чистая условность, которую выбрал Фишер. Такое условное значение имеет свою ценность: благодаря единой пороговой величине, которую принимают все, мы знаем, о чем говорим, когда произносим слово «значимый». В свое время я прочитал статью Роберта Ректора и Кирка Джонсона о консервативной организации Heritage Foundation (фонд «Наследие»), которая жаловалась на ошибочное заявление конкурирующей группы ученых по поводу того, что обет воздержания не оказывает никакого воздействия на уровень распространенности заболеваний, передающихся половым путем, в подростковом возрасте{130}. На самом деле среди принимавших участие в исследовании юношей и девушек до 20 лет, которые дали обет воздержания до первой брачной ночи, уровень распространенности заболеваний, передающихся половым путем, действительно был немного ниже, чем среди остальных членов выборки, но это различие не было статистически значимым. Представители фонда «Наследия» были в чем-то правы: доказательства того, что обет воздержания работает, были слабыми, но они все-таки были.

В то же время Ректор и Джонсон пишут в другой работе по теме статистически незначимой связи между расой и бедностью, которую они хотели бы отбросить: «Если переменная не является статистически значимой, это означает, что у этой переменной нет статистически заметной разницы между значением коэффициента и нолем, а значит, нет и воздействия»{131}. Что хорошо для трезвой гусыни, то хорошо и для перебравшего гусака! Ценность условной границы состоит в том, что она в какой-то мере дисциплинирует исследователей, удерживая их от искушения позволить собственным предпочтениям определять, какие результаты имеют значение, а какие нет.

Однако условную границу, если придерживаться ее достаточно долго, можно ошибочно принять за то, что действительно происходит в реальном мире. Представьте, что было бы, если мы говорили бы в таком духе о состоянии экономики! У экономистов есть формальное определение рецессии, которое зависит от произвольных пороговых значений, как и в случае статистической значимости. Никто не скажет: «Меня не интересует уровень безработицы, или количество строящихся жилых домов, или совокупный объем задолженности по студенческим кредитам, или дефицит федерального бюджета; если это не рецессия, мы не станем это обсуждать». Было бы глупо так говорить. Однако критики (а их с каждым годом все больше, и их голоса становятся все громче) заявляют о том, что значительная часть научной практики – это такая же глупость.

Очевидно, что было бы ошибкой использовать р < 0,05 в качестве синонима определения «истинный» и p > 0,05 для обозначения понятия «ложный». Доказательство от маловероятного, само по себе интуитивно привлекательное, просто не работает в качестве принципа для выведения научной истины, лежащей в основе данных.

Но какова альтернатива? Если вы когда-либо проводили эксперимент, вам известно, что научная истина не возникает из облаков, взывая к вам звуком громогласной трубы. Данные не всегда упорядочены, а логический вывод – трудный процесс.

Одна простая и распространенная стратегия сводится к тому, чтобы помимо р-значений сообщать также доверительные интервалы. Это подразумевает некоторое расширение концептуальных рамок, предлагая нам анализировать не только нулевую гипотезу, но и весь диапазон альтернатив. Предположим, у вас онлайновый магазин, который продает изготовленные кустарным способом фестонные ножницы. Будучи современным человеком (если не считать того, что вы занимаетесь изготовлением фестонных ножниц), вы устраиваете проверку «А или Б», в ходе которой половина пользователей видит текущую версию вашего веб-сайта (А), а другая половина – обновленную версию (Б) с анимационным изображением пары ножниц, которые поют и танцуют, расположившись над кнопкой «Купить сейчас». После тестирования этих двух версий сайта вы обнаруживаете, что на сайте Б объем покупок увеличивается на 10 %. Отлично! Теперь, если вы человек продвинутый, у вас может возникнуть беспокойство по поводу того, не было ли это увеличение случайной флуктуацией, поэтому вы вычисляете р-значение и приходите к выводу, что вероятность получения такого хорошего результата в случае, если переформатирование сайта действительно не работало бы (то есть если нулевая гипотеза оказалась бы верной), составляет всего 0,03[144].

Но зачем останавливаться на этом? Если я плачу студенту колледжа за то, чтобы он сделал изображение танцующих ножниц на всех страницах моего сайта, мне нужно знать не только то, сработает ли этот прием вообще, но какие именно результаты он обеспечит. Согласуется ли воздействие, которое я обнаружил, с тем, что в долгосрочной перспективе обновление сайта повысит объем продаж всего на 5 %? При такой гипотезе вы можете обнаружить, что вероятность роста на 10 % гораздо выше, скажем 0,2. Другими словами, доказательство от маловероятного не исключает гипотезу, что обновление сайта приведет к улучшению ситуации на 5 %. Однако вы можете оптимистично задать себе вопрос, не было ли невезение причиной полученного вами результата, и на самом деле обновление сайта повысит привлекательность ваших ножниц на 25 %. Вы вычисляете еще одно р-значение и получаете 0,01 – довольно малую вероятность, которая убеждает вас отбросить эту гипотезу.

Доверительный интервал – это тот диапазон гипотез, которые доказательство от маловероятного не отбрасывают, или гипотез, которые в разумных пределах согласуются с реально наблюдаемым результатом. В данном случае доверительный интервал мог бы составлять от +3 % до +17 %. Тот факт, что 0 %, как следовало бы из нулевой гипотезы, не включается в доверительный интервал, говорит о том, что результаты статистически значимы в том смысле, о котором шла речь выше в данной главе.

Однако доверительный интервал дает гораздо больше информации. Интервал [+3 %, +17 %] позволяет быть уверенным в том, что эффект положительный, но не в том, что он большой. С другой стороны, интервал [+9 %, +11 %] позволяет с гораздо большей уверенностью предположить, что эффект не только положительный, но и довольно большой.

Доверительный интервал содержит полезную информацию и в случаях, когда вы не получаете статистически значимых результатов – другими словами, когда доверительный интервал нулевой. Если доверительный интервал равен [−0,5 %, 0,5 %], тогда тот факт, что вы не получили статистически значимых результатов, становится веским доказательством в пользу того, что вмешательство не имеет никакого эффекта. Если доверительный интервал составляет [−20 %, 20 %], причина отсутствия статистически значимых результатов состоит в том, что вы представления не имеете, оказывает ли вмешательство какое-либо воздействие и в какую сторону. С точки зрения статистической значимости эти два следствия кажутся одинаковыми, но имеют разные последствия в плане того, чего вам следует ожидать дальше.

Разработку концепции доверительного интервала обычно приписывают Ежи Нейману, еще одному выдающемуся ученому раннего периода развития статистики. Нейман был поляком, который, как и Абрахам Вальд, занимался чистой математикой в Восточной Европе, прежде чем перейти в новую по тем временам область математической статистики и переехать на Запад. В конце 1920-х годов Нейман начал сотрудничать с Эгоном Пирсоном, унаследовавшим от своего отца Карла как академическую должность в Лондоне, так и ожесточенную научную вражду с Рональдом Фишером. Фишер был трудным человеком, всегда готовым вступить в спор; его дочь говорила о нем: «Он вырос, не научившись чутко относиться к обычным человеческим качествам собратьев»{132}. В Неймане и Пирсоне он нашел оппонентов, которые оказались достаточно непреклонными, чтобы сражаться с ним десятилетиями.

Научные разногласия между этими учеными нашли свое самое яркое выражение в подходе Неймана и Пирсона к проблеме вывода[145]. Как установить истину по имеющимся данным? Их поразительный ответ состоит в том, чтобы не задавать вопросов. Для Неймана и Пирсона задача статистики – сказать нам, не во что нам верить, а что нам делать. Статистика ориентирована на принятие решений, а не на поиск ответов на вопросы. Проверка статистической значимости – не более чем правило, которое подсказывает ответственным лицам, целесообразно ли одобрять лекарственный препарат, предпринимать предложенную экономическую реформу или делать сайт более интересным.

Поначалу кажется просто диким отрицать тот факт, что цель науки состоит в поисках истины, но философия Неймана и Пирсона не так далека от рассуждений, которые мы используем в других областях. В чем состоит цель судебного разбирательства по уголовному делу? Мы могли бы наивно заявить, что это выяснение, действительно ли подсудимый совершил преступление, по поводу которого начато судебное разбирательство. Однако все далеко не так. Существуют нормы доказательного права, которые запрещают жюри присяжных заслушивать свидетельские показания, полученные с нарушением закона, даже если эти показания могли бы помочь им точно определить, виновен подсудимый или нет. Цель судебного разбирательства – не истина, а справедливость. У нас есть правила, которых необходимо придерживаться, поэтому, когда мы говорим, что подсудимый «виновен», мы имеем в виду (если внимательно относимся к словам) не то, что этот человек совершил преступление, в котором его обвиняют, а то, что он был осужден честно и справедливо в соответствии с данными правилами. Какие бы правила вы ни выбрали, в некоторых случаях вы неизбежно освободите преступников и посадите за решетку невиновных. Чем меньше вы делаете первое, тем больше вероятность того, что совершите второе. Поэтому мы пытаемся создавать правила, в случае которых общество так или иначе считает, что мы лучше всего обеспечиваем этот важнейший компромисс.

В понимании Неймана и Пирсона наука – тот же суд. Когда лекарственный препарат не проходит проверку значимости, мы не используем формулировку: «У нас есть уверенность, что этот препарат не работает», а говорим просто: «Не было доказано, что этот препарат работает». А затем мы отклоняем этот препарат, точно так же как прекращаем дело в отношении подсудимого, присутствие которого на месте преступления невозможно было установить в пределах разумных сомнений, даже если каждый человек в здании суда считает его виновным на все сто процентов.

Фишеру все это было не нужно: в его понимании Нейман и Пирсон погрязли в чистой математике, настаивая на строгом рационализме в ущерб всему, что напоминает научную практику. Большинство судей не пошли бы на то, чтобы позволить невиновному подсудимому встретиться с палачом, даже если того требуют существующие правила. А большинство практикующих ученых, вообще не заинтересованных в следовании строгой совокупности инструкций, отказывают себе в удовольствии выработать мнение по поводу того, какие гипотезы действительно являются истинными. В письме Уильяму Эдмунду Хику Фишер писал:

Конечно, Фишер понимал, что достичь порога статистической значимости – это не то же самое, что найти истину. В 1926 году он писал и о более богатом, более итеративном подходе: «Научный факт следует считать экспериментально установленным только в случае, если должным образом спланированный эксперимент редко не обеспечивает данный уровень значимости»{134}.

Здесь сказано не «один раз обеспечивает данный уровень значимости», а «редко не обеспечивает данный уровень значимости». Статистически значимый результат дает вам подсказку по поводу того, на чем следует сосредоточить свою исследовательскую энергию. Проверка значимости – это детектив, а не судья. Вам ведь известно: когда вы читаете статью о революционном открытии по поводу того, что это вызывает то-то или что одно предотвращает другое, в конце всегда есть банальное высказывание ведущего ученого, не принимавшего участия в исследовании, который провозглашает нечто несущественное в следующем духе: «Это довольно интересное открытие, предполагающее, что необходимо провести дополнительные исследования в этом направлении»? А ведь вы даже не читаете эту часть публикации, поскольку считаете ее обязательным предостережением, не имеющим смысла.

Но дело вот в чем: ученые всегда говорят так лишь потому, что это важно и это правда! Интересное и ах-какое-статистически-значимое-открытие – это не заключительная часть научного процесса, а его начало. Если получен беспрецедентный, важный результат, другие ученые в других лабораториях должны многократно протестировать этот феномен и его варианты, пытаясь понять, является ли результат счастливой случайностью или он действительно соответствует фишеровскому стандарту «редко не обеспечивает данный уровень значимости». Это и есть то, что ученые называют воспроизводимостью: если воздействие нельзя воспроизвести, несмотря на многократные попытки, наука отступает, признавая свою ошибку. Предполагается, что такой процесс воспроизведения должен стать иммунной системой науки, которая атакует новые объекты и уничтожает те из них, которым здесь не место.

Однако это идеал. На практике у науки несколько ослабленный иммунитет. Безусловно, некоторые эксперименты трудно воспроизвести. Если задача вашего исследования состоит в том, чтобы оценить способность четырехлетних детей к отсрочке вознаграждения, а затем соотносит эти данные с итогами жизни тридцать лет спустя, вы не можете просто организовать воспроизведение эксперимента.

Но даже результаты исследований, которые можно было бы повторить, во многих случаях не воспроизводятся. Каждый журнал стремится опубликовать важное открытие, но кто хочет публиковать работу, в которой идет речь о повторении того же эксперимента год спустя с теми же результатами? Что происходит с исследованиями, в ходе которых проводятся такие же эксперименты, но полученный результат не является статистически значимым? Для того чтобы система работала, результаты этих экспериментов необходимо сделать общедоступными. Но вместо этого они слишком часто оказываются в архиве.

Однако культура меняется. Активные реформаторы, как Иоаннидис и Саймонсон, выступающие как перед научным сообществом, так и перед широкой общественностью, подняли вопрос об актуальности такой проблемы, как опасность сползания к крупномасштабному гаданию по внутренностям животных. Ассоциация психологических наук в 2013 году объявила о начале публикации новой категории статей под названием «Отчеты о зарегистрированных случаях воспроизведения результатов исследований». Способ рассмотрения отчетов об экспериментах, ориентированных на воспроизведение результатов широко известных исследований, существенно отличается от того, как рассматриваются обычные работы: материалы предложенного эксперимента принимаются к публикации до проведения самого исследования. Если результаты этого эксперимента подтверждают первоначальный вывод – отлично, если нет, они все равно публикуются, благодаря чему все научное сообщество может получить исчерпывающую информацию о фактическом положении вещей. Еще одно объединение, проект Many Labs, проводит повторную проверку открытий в области психологии, получивших широкую огласку, и пытается воспроизвести их на больших многонациональных выборках. В ноябре 2013 года психологи с воодушевлением приняли первые итоги проверки воспроизводимости, полученные Many Labs: результаты десяти из тринадцати исследований были успешно воспроизведены.

Безусловно, в конечном счете необходимо сделать окончательные выводы и подвести черту. В конце концов, что именно имел в виду Фишер под словом «редко» во фразе «редко не обеспечивает данный уровень значимости»? Присвоив этому слову произвольное числовое значение («воздействие действительно имеет место, если оно достигает статистической значимости в более чем 90 % экспериментов»), мы можем снова оказаться в трудной ситуации.

Как бы там ни было, Фишер не верил в существование непреложного правила, которое говорит нам, что делать. Он не признавал чистого математического формализма. В самом конце своей жизни, в 1956 году, он писал: «В действительности ни у одного ученого нет фиксированного уровня значимости, в соответствии с которым он из года в год, при любых обстоятельствах отбрасывает гипотезы; скорее, он осмысливает каждую конкретную гипотезу в свете имеющихся доказательств и идей»{135}.

Многие опасаются эпохи больших данных. В какой-то степени страшит будущее: а вдруг начнут воплощаться пока еще туманные перспективы, что алгоритмы, обеспеченные достаточным объемом данных, начнут справляться с задачей логического вывода лучше самого человека. Людям внушает страх все сверхъестественное: существа, умеющие трансформироваться; какие-то сущности, восстающие из мертвых; создания, способные приходить к таким умозаключениям, которые нам и не снились. Было по-настоящему жутко, когда бездушная статистическая модель, внедренная по программе маркетингового анализа (Guest Marketing Analytics) в сети розничных магазинов Target, учитывая данные о покупках, пришла к правильному умозаключению, что одна из покупательниц (прошу прощения, гостей) – девушка-подросток из Миннесоты – беременна{136}. На основании какой-то загадочной формулы, граничащей с колдовством, было проанализировано увеличение доли определенных покупок: лосьона без запаха, витаминов и ватных шариков. И вот результат: компания Target начала отправлять своей покупательнице купоны на товары для новорожденных – к большому изумлению отца девушки, который, будучи всего лишь человеческим существом, обладал довольно убогими дедуктивными способностями и все еще оставался в неведении. Страшно даже подумать, что мы живем в мире, где Google, Facebook, ваш мобильник и, черт побери, даже Target знают о вас больше, чем собственные родители.

Но, может быть, стоило бы меньше бояться внушающих ужас сверхмощных алгоритмов и больше тревожиться о плохих.

Начнем с того, что плохой алгоритм может оказаться самым лучшим. Алгоритмы, поддерживающие работу компаний в Кремниевой долине, с каждым годом становятся все более изощренными, а вводимые в них данные – все более объемными и полезными. Согласно модели будущего, Google должен знать вас: его центральное хранилище данных, обрабатывая миллионы микронаблюдений («Сколько времени он колебался, прежде чем щелкнуть на этом…», «Как долго его очки Google Glass задержались на том…» и так далее), начнет предвосхищать ваши поступки, предпочтения и даже мечты, особенно что касается покупок, которые вы захотите сделать, или вас убедят, что вы этого хотите.

Именно так все может быть! Но может и не быть. Существует множество математических задач, в которых обеспечение большего количества данных повышает точность полученного результата довольно предсказуемым способом. Чтобы предсказать траекторию движения астероида, необходимо измерить скорость его движения и определить местоположение, а также оценить гравитационное воздействие его астрономических соседей. Чем больше связанных с астероидом параметров вы сможете измерить, тем более точную траекторию его движения вам удастся составить.

Однако некоторые задачи похожи скорее на прогноз погоды. Это еще одна ситуация, в которой важнейшую роль играет наличие большого объема подробных данных, а также вычислительных ресурсов для их быстрой обработки. В 1950 году первой вычислительной машине ENIAC понадобилось двадцать четыре часа, чтобы создать имитационную модель погоды на сутки – это стало поразительным достижением в области компьютерных вычислений космической эры. В 2008 году такие вычисления были выполнены на мобильном телефоне Nokia 6300 менее чем за секунду{137}. В наше время прогнозы погоды не просто составляются быстрее – они намного точнее и охватывают более продолжительный период. Типичный прогноз погоды на пять дней в 2010 году был таким же точным, как прогноз на три дня в 1986 году{138}.

Хотелось бы думать, что прогнозы будут становиться все лучше и лучше по мере усиления нашей способности собирать данные. Не сможем ли мы в конечном счете реализовать в высшей степени точную имитационную модель атмосферы всей планеты в компьютерном парке где-нибудь под штаб-квартирой сети The Weather Channel? В таком случае, чтобы узнать погоду в следующем месяце, вам понадобится просто выполнить имитационное моделирование, охватывающее немного более длительный период.

Все это заманчиво, но невозможно. Энергия в атмосфере циркулирует очень быстро, меняя масштаб от крохотного до глобального; при этом даже малейшие изменения в одном месте и времени могут повлечь за собой совершенно другие последствия в другом месте через несколько дней. С формальной точки зрения, погода хаотична. Именно в процессе численного изучения погоды Эдвард Лоренц открыл математическую концепцию хаоса. «Один метеоролог отметил, что, если теория была бы правильной, одного взмаха крыльев чайки было бы достаточно, для того чтобы навсегда изменить погодные условия. Это противоречие еще не решено, но самые последние данные как будто говорят в пользу чаек», – писал он{139}.

Существует жесткое ограничение в отношении того, на какой период мы можем прогнозировать погоду, сколько бы данных нам ни удалось собрать. Лоренц считал, что этот период должен быть не более двух недель, и усилия метеорологов всего мира до сих пор не дали нам оснований ставить этот предел под сомнение{140}.

К чему ближе человеческое поведение – к астероиду или погоде? Безусловно, все зависит от того, о каком аспекте человеческого поведения идет речь. Как минимум в одном смысле поведение человека прогнозировать даже труднее, чем погоду. У нас есть очень хорошая математическая модель для погоды, позволяющая нам составлять более точные прогнозы хотя бы на краткосрочный период при наличии доступа к большему объему данных – даже если потом присущий этой системе хаос неизбежно берет верх. В случае человеческого поведения у нас такой модели нет и, видимо, никогда не будет. Это делает задачу прогнозирования гораздо более трудной.

Онлайновая компания Netflix, работающая в области индустрии развлечений, в 2006 году организовала конкурс с главным призом в один миллион долларов, чтобы определить, сможет ли кто-нибудь в мире написать алгоритм, который будет справляться с задачей по рекомендациям фильмов клиентам лучше, чем алгоритм самой компании{141}. Казалось, финишная черта находится не так уж далеко от старта: победителем должна была стать первая программа, которая на 10 % лучше справится с задачей рекомендации фильмов клиентам, чем программа Netflix.

Участникам конкурса предоставили огромное количество данных о почти полумиллионе пользователей Netflix и около миллиона анонимных мнений, оценивающих 17 700 фильмов. Задача состояла в том, чтобы предсказать, как пользователи оценят фильмы, которых еще не видели. Есть данные – много данных, имеющих непосредственное отношение к поведению, – и вы пытаетесь прогнозировать это поведение. Очень сложная задача. В итоге прошло целых три года, прежде чем кто-то смог превысить 10 %-ную планку, причем произошло это, лишь когда несколько групп, принимавших участие в конкурсе, объединились и создали гибрид «почти пригодных» алгоритмов. Они надеялись, что это мощное алгоритмическое чудо выведет их на финишную прямую. Netflix так и не использовала победивший алгоритм в своем бизнесе, поскольку к моменту завершения конкурса компания уже переходила от рассылки DVD-дисков по почте к трансляции фильмов методом потокового вещания, что делало неиспользованные рекомендации совсем бесполезными{142}. Наверняка кто-то из вас пользовался услугами Netflix (или Amazon, или Facebook, или любого сайта, пытающегося навязать вам выбор продуктов на основании собранных о вас данных), поэтому вы и без меня знаете, насколько неудачны и до смешного нелепы их рекомендации. Но, по мере того как ваш профиль начнет пополняться все большим количеством данных, их советы будут становиться более уместными. А может быть, и не будут.

С точки зрения таких компаний, нет ничего плохого в том, что они занимаются сбором и уточнением ваших данных. Конечно, для Target было бы удобнее всего, если они могли бы точно узнавать о беременности клиенток, отслеживая данные на их карточках постоянного покупателя. Но они этого не могут и потому не знают, беременны вы или нет. Тем не менее даже догадки о вашей беременности принесли бы компании пользу и дали бы возможность делать свои прогнозы на 10 % точнее, чем сейчас. То же самое касается Google. Компании нет необходимости точно знать, какой продукт вы хотите приобрести; все, что ей нужно, – иметь чуть более точное представление о ваших предпочтениях, чем конкурирующие фирмы. Как правило, компании работают с невысокой рентабельностью. Для вас нет ничего страшного, прогнозируете ли вы свое поведение точнее хотя бы процентов на десять или нет, но для компаний 10 % – это довольно большие деньги. Во время проведения конкурса я спросил вице-президента Netflix Джима Беннетта, который занимался вопросами рекомендаций, почему компания предложила столь большой приз. Он ответил, что мне следовало бы спросить, почему приз такой маленький. На первый взгляд небольшое повышение эффективности рекомендаций на 10 % позволило бы возместить этот миллион долларов за меньшее время, чем то, которое понадобилось для создания еще одного фильма The Fast and the Furious («Форсаж»).

Итак, корпорации, имеющие доступ к большим массивам информации, по-прежнему обладают довольно ограниченными знаниями о ваших персональных данных. Что тогда вас волнует?

И все-таки причины для беспокойства есть. Вот одна из них. Предположим, группа специалистов Facebook решает разработать метод определения, кто из пользователей социальной сети может быть причастен к террористической деятельности, направленной против Соединенных Штатов Америки. В математическом плане эта задача не сильно отличается от определения вероятности, что пользователю Netflix понравится фильм Ocean’s Thirteen («Тринадцать друзей Оушена»). Как правило, Facebook известны реальные имена пользователей и их место жительства, поэтому компания может использовать информацию из открытых источников для составления списка профилей, принадлежащих людям, уже имевшим судимости за террористические преступления или за поддержку террористических группировок. Далее начинается математика. Склонны ли террористы делать больше обновлений в день по сравнению с общей совокупностью пользователей этой социальной сети? или меньше? или этот показатель у них такой же, как и у всех остальных? Есть ли слова, которые чаще появляются в их обновлениях? Есть ли музыкальные группы, спортивные команды или продукты, к которым они особенно испытывают или не испытывают симпатию? Сложив все это вместе, вы можете присвоить каждому пользователю балл[146], отражающий вашу лучшую оценку вероятности, что у данного пользователя есть или будут связи с террористическими группировками. Примерно то же самое делают в Target, когда сопоставляют данные о ваших покупках для определения вероятности, беременны вы или нет.

Однако существует одна важная особенность: беременность – явление довольно распространенное, тогда как терроризм – скорее редкое. Почти во всех случаях расчетная вероятность того, что данный пользователь станет террористом, крайне мала. Таким образом, итогом этого проекта стал бы не центр профилактики преступлений – как в фильме Minority Report («Особое мнение»), – в котором всеобъемлющий алгоритм Facebook раньше вас узнает, что вы собираетесь совершить преступление. Представьте себе нечто более непритязательное: скажем, список сотен тысяч пользователей, о которых Facebook с определенной степенью достоверности может сказать следующее: «Вероятность того, что люди из этой группы могут быть террористами или пособниками терроризма, в два раза больше, чем в случае обычных пользователей Facebook».

Что вы сделаете, если обнаружите, что человек, входящий в этот список, живет с вами по соседству? Наверное, позвоните в ФБР?

Прежде чем предпринимать этот шаг, давайте нарисуем еще одну матрицу.

Содержимое этой матрицы – около 200 миллионов пользователей сети Facebook в Соединенных Штатах. Линия между верхней и нижней частями матрицы отделяет будущих террористов (верхняя часть) от невиновных (нижняя часть). Безусловно, любая террористическая ячейка в США довольно немногочисленна. Скажем, если быть максимально подозрительными, в стране есть около 10 тысяч людей, за которыми федералам действительно стоит присматривать. Это один из каждых 20 тысяч пользователей общей пользовательской базы.

Разделение матрицы на левую и правую часть, собственно, и есть то, что делает Facebook: с левой стороны находится сотня тысяч людей, которых в Facebook считают с высокой степенью вероятности связанными с терроризмом. Давайте поверим Facebook на слово, будто их алгоритм настолько хорош, что отмеченные таким образом люди могут быть террористами с вероятностью в два раза большей, чем обычные пользователи. Следовательно, в этой группе один из 10 тысяч пользователей, или 10 человек, окажутся террористами, тогда как 99 990 – нет.

Если 10 из 10 000 будущих террористов находятся в верхней левой клетке, значит, в верхней правой находятся оставшиеся 9990 пользователей. С помощью тех же рассуждений можно сделать такой вывод: в пользовательской базе Facebook есть 199 990 000 людей, не являющихся террористами; 99 990 из них были отмечены алгоритмом и находятся в нижней левой клетке; оставшиеся 199 890 010 пользователей относятся к нижней правой клетке. Если сложить значения всех четырех клеток матрицы, получится 200 000 000 пользователей – другими словами, все пользователи Facebook в США.

Где-то в этой матрице, состоящей из четырех клеток, находится и ваш сосед по дому.

Но где именно? Он болтается где-то в левой половине матрицы, поскольку в Facebook его отнесли к числу подозреваемых, – и это все, что вы знаете.

Следует обратить внимание, что в левой половине матрицы почти нет террористов. На самом деле вероятность того, что ваш сосед невиновен, составляет 99,99 %.

В каком-то смысле это ситуация аналогична той панике, возникшей в Англии из-за противозачаточных препаратов. Включение пользователя в список Facebook в два раза увеличивает вероятность, что он террорист, что звучит ужасно. Но исходная вероятность сама по себе крайне мала, поэтому, если вы увеличите ее в два раза, она по-прежнему останется совсем небольшой.

Однако эту ситуацию можно интерпретировать и другим способом, который еще больше подчеркивает, насколько вероломными и сбивающими с толку могут быть рассуждения о неопределенности. Задайте себе такой вопрос: если человек на самом деле не является будущим террористом, какова вероятность, что его без всяких на то оснований включат в список Facebook?

В представленной выше матрице это означает следующее: если вы находитесь в нижней строке матрицы, какова вероятность того, что ваше место именно в левой клетке?

Это достаточно легко вычислить. В нижней половине матрицы 199 990 000 пользователей, из которых 99 990 находятся слева. Следовательно, вероятность того, что алгоритм Facebook отметит невиновного человека как потенциального террориста, составляет:

99 990/199 990 000,

или около 0,05 %.

Все верно: невиновный человек имеет всего один шанс из двух тысяч, что Facebook неправильно отнесет его к числу потенциальных террористов!

Какие чувства вы испытываете по отношению к своему соседу теперь?

Ход рассуждений, лежащий в основе p-значения, дает нам четкий ориентир. Нулевая гипотеза состоит в том, что ваш сосед не террорист. В соответствии с этой гипотезой (другими словами, исходя из невиновности соседа) вероятность того, что он появится в «красном списке» Facebook, составляет всего 0,05 %, гораздо ниже порога статистической значимости 1 из 20. Другими словами, согласно правилам, которым в подавляющем большинстве случаев подчиняется современная наука, вы имеете все основания отбросить эту нулевую гипотезу и объявить своего соседа террористом.

Вот только вероятность того, что он не террорист, равна 99,99 %.

Тем не менее почти нет шансов на то, что алгоритм отметит невиновного человека как террориста. В то же время почти все люди, которых выделяет алгоритм, невиновны. Похоже на парадокс, но на самом деле это не так. Таково положение дел. Если вы сделаете глубокий вдох и внимательно присмотритесь к матрице, вы все поймете.

Суть вот в чем. На самом деле существуют два вопроса, которые вы можете задать. На первый взгляд они кажутся одинаковыми, но это не так.

Вопрос 1: какова вероятность, что человек попадет в список Facebook, при условии что он не террорист?

Вопрос 2: какова вероятность, что человек не террорист, при условии что он входит в список Facebook?

Эти вопросы отличаются друг от друга, поскольку на них даются разные ответы. По-настоящему разные ответы. Мы уже видели, что ответ на первый вопрос – около 1 из 2000, тогда как ответ на второй вопрос – 99,99 %. И именно ответ на второй вопрос вам нужен.

Величины, о которых идет речь в этих вопросах, обозначаются термином «условные вероятности»: «вероятность того, что имеет место Х, при условии Y». А мы ломаем здесь голову над тем, что вероятность Х при условии Y – это не то же самое, что вероятность Y при условии Х.

Если сказанное кажется вам знакомым, так и должно быть: это именно та проблема, с которой мы столкнулись, когда рассматривали доказательство от маловероятного; p-значение – это ответ на вопрос:

«Вероятность, что наблюдаемый результат эксперимента будет иметь место при условии, что нулевая гипотеза правильна».

Однако нам нужно знать другую условную вероятность:

«Вероятность, что нулевая гипотеза правильна при условии наблюдения определенного результата эксперимента».

Опасность возникает именно в случае, когда мы путаем вторую величину с первой. И такая путаница имеет место повсюду, не только в научных исследованиях. Когда окружной прокурор наклоняется к жюри присяжных и объявляет «Есть один шанс из пяти миллионов, повторяю, один шанс из пяти миллионов, что ДНК невиновного человека совпадет с ДНК, обнаруженной на месте преступления», он отвечает на первый вопрос: «Какова вероятность того, что невиновный человек выглядит виновным?» Однако работа жюри присяжных в том, чтобы найти ответ на второй вопрос: «Какова вероятность, что на первый взгляд виновный подсудимый невиновен?» На этот вопрос окружной прокурор уже не поможет им ответить[147].

* * *

Пример с Facebook и террористами объясняет, почему плохие алгоритмы должны вызывать не только такое же беспокойство, что и хорошие, но и большее. Мало приятного в том, что Target знает о вашей беременности. Гораздо хуже, если вы не террорист, но Facebook считает вас таковым.

Может быть, вы думаете, что Facebook никогда не станет составлять список потенциальных террористов (налоговых мошенников, педофилов) или делать такой список общедоступным, в случае если он все-таки будет создан. Зачем им это надо? На чем здесь можно заработать деньги? Может, так и есть. Однако Агентство национальной безопасности США также собирает данные о жителях Америки, являются ли они пользователями Facebook или нет. Происходит нечто вроде составления черного списка – если только вы не думаете, что в АНБ регистрируют метаданные о всех наших телефонных звонках лишь ради того, чтобы давать операторам мобильной связи полезные советы, где им следует построить дополнительные сигнальные вышки. Большие данные – не магическая сила; они не говорят федералам, кто террорист, а кто нет. Но, чтобы составлять длинные списки людей, по тем или иным причинам отмеченных красным флажком, отнесенных к группе повышенного риска или обозначенных как «подозреваемые», – никакого волшебства не нужно. Большинство людей, включенных в такие списки, не имеют никакого отношения к терроризму. Вы уверены, что не принадлежите к их числу?

Чем обусловлен этот явный парадокс красного списка террористов? Почему механизм р-значения, который кажется столь разумным, так плохо работает в таком контексте? Причина вот в чем: р-значение учитывает, какую долю пользователей Facebook отмечает флажком (примерно 1 из 2000), но полностью игнорирует относительное количество людей, которые принадлежат к числу террористов. Когда вы пытаетесь определить, является ли ваш сосед тайным террористом, у вас есть важная предварительная информация: большинство людей не террористы! Попробуйте проигнорировать этот факт. Как сказал Рональд Эйлмер Фишер, вы должны оценить каждую гипотезу «в свете эмпирических данных» о том, что вы уже о ней знаете.

Но как это сделать?

Здесь необходимо вспомнить историю о парапсихологическом радио.

В 1937 году все были помешаны на телепатии. Книга психолога Джозефа Бэнкса Райна New Frontiers of the Mind («Новые рубежи разума»), которая в успокаивающе рассудительном тоне, с использованием количественных оценок рассказывала удивительные вещи об экспериментах Райна с экстрасенсорным восприятием в Университете Дьюка, стала бестселлером и лучшей книгой по версии клуба «Книга месяца», а парапсихологические способности были животрепещущей темой разговоров во время коктейлей по всей стране{143}. Эптон Синклер, автор известного романа The Jungle («Джунгли»)[148], выпустил в 1930 году целую книгу Mental Radio («Ментальное радио») об экспериментах Райна и о парапсихологическом взаимодействии со своей женой Мэри. Эта тема была настолько популярной, что Альберт Эйнштейн написал предисловие к немецкому изданию книги; ученый не стал активно поддерживать идею телепатии, но отметил, что книга Синклера «заслуживает самого пристального внимания» со стороны психологов.

Разумеется, средства массовой информации хотели поучаствовать в общем безумии. Компания Zenith Radio Corporation в сотрудничестве с Райном организовали 5 сентября 1937 года масштабный эксперимент, который был возможен только благодаря имеющейся в их распоряжении новой технологии коммуникации. Пять раз подряд ведущий эксперимента запускал колесо рулетки, а несколько людей, считающих себя телепатами, смотрели на него. При каждом запуске колеса шарик останавливался либо в черной, либо красной ячейке, а парапсихологи изо всех сил концентрировали свое внимание на соответствующем цвете, передавая по всей стране сигнал по собственному каналу вещания. Слушателей радиостанции попросили использовать свои парапсихологические способности для максимальной передачи ментального сигнала и написать в адрес радиостанции письмо, указав последовательность из пяти цветов, сигнал о которых они получили. Ответили более сорока тысяч слушателей радиостанции, и даже в следующих передачах, когда эксперимент утратил свою новизну, в Zenith Radio Corporation получали тысячи ответов в неделю. Это была проверка парапсихологических способностей в масштабе, недоступном для Райна, работавшем в своем кабинете в Университете Дьюка с каждым испытуемым в отдельности. Этот эксперимент был своего рода предтечей эры больших данных.

В конечном счете результаты эксперимента оказались неблагоприятными для телепатии. Однако накопленные данные об ответах оказались весьма полезными для психологов в совершенно другом смысле. Слушатели пытались воспроизвести последовательности черных и красных ячеек (далее будем обозначать их буквами B (black – черные ячейки) и R (red – красные ячейки)), выпавших в случае пяти вращений колеса рулетки. Вот эти 32 возможные последовательности:

Все эти последовательности могут реализоваться с равной вероятностью, поскольку каждое вращение колес с равной вероятностью приводит к попаданию шарика в красную или черную ячейку. А поскольку на самом деле слушатели не принимали никаких парапсихологических эманаций, можно предположить, что их ответы с равной вероятностью совпадут с одним из этих 32 вариантов.

Но это не так. В действительности открытки с ответами, которые прислали слушатели, были распределены весьма неравномерно{144}. Такие последовательности, как BBRBR и BRRBR, слушатели присылали намного чаще, чем можно было бы ожидать при условии случайного выбора, тогда как последовательность RBRBR встречалась гораздо реже, чем ожидалось, а последовательности RRRRR почти не было[149].

Скорее всего, это вас не удивляет. Последовательность RRRRR почему-то не кажется случайной, как в случае последовательности BBRBR, хотя вращение колеса рулетки может привести к появлению обеих последовательностей с равной вероятностью. Что происходит? Что мы на самом деле подразумеваем, когда говорим, что одна последовательность букв «менее случайна», чем другая[150]?

Вот еще один пример. Быстро загадайте число от 1 до 20.

Вы выбрали 17?

Да, этот фокус не всегда срабатывает, но если вы предложите людям выбрать число от 1 до 20, число 17 выбирают чаще всего{145}. А если вы попросите выбрать число от 0 до 9, чаще всего выбирают 7{146}. Напротив, числа, которые заканчиваются на 0 и 5, выбирают гораздо реже, чем можно было бы ожидать от ряда случайных чисел, – они просто кажутся людям менее случайными. Это приводит к возникновению парадокса. Подобно тому как участники эксперимента с парапсихологическим радио пытались составить случайные последовательности R и B, получив в итоге совершенно неслучайный результат, так и люди, выбирающие случайные числа, склонны делать выбор, заметно отклоняющийся от случайности.

В Иране в 2009 году проводили президентские выборы, которые выиграл действующий на то время президент Махмуд Ахмадинежад. После этого появилось множество обвинений, что результаты выборов были сфальсифицированы. Но как можно проверить легитимность подсчета голосов в стране, правительство которой не допустило к участию в этом процессе независимых наблюдателей?

Двое студентов магистратуры Колумбийского университета Бернд Бебер и Александра Скаццо придумали хитрый способ использовать сами числа в качестве доказательства фальсификации, по сути «убедив» официальные данные о подсчете голосов свидетельствовать против самих себя{147}. Они проанализировали официальные общие результаты четырех основных кандидатов в каждой из двадцати девяти провинций Ирана, то есть всего 116 чисел. Если это были бы подлинные результаты голосования, последние цифры чисел могли быть только случайными. Они должны были быть случайным образом распределены среди цифр 0, 1, 2, 3, 4, 5, 6, 7, 8 и 9, причем почти равномерно: каждая из этих цифр должна была появиться в результатах подсчета голосов в 10 % случаев.

Но вот как выглядели результаты подсчета голосов в Иране на самом деле. Среди последних цифр проанализированных чисел было слишком много цифр 7, гораздо больше справедливой доли. Это были не цифры, полученные в результате случайного процесса, а цифры, написанные людьми, которые пытались придать им случайный вид. Само по себе это не является доказательством, что результаты выборов были сфальсифицированы, но дает основания так считать[151].

Мы, люди, всегда делаем умозаключения, всегда используем наблюдения, для того чтобы уточнить свои суждения по поводу различных конкурирующих теорий, сталкивающихся друг с другом в рамках нашего представления о мире. В некоторых концепциях мы убеждены твердо, почти непоколебимо («Завтра солнце взойдет», «Когда вы выпускаете вещи из рук, они падают»), но в других уверены менее («Если сегодня я сделаю зарядку, то буду хорошо спать ночью», «Телепатии не существует»). У нас есть теории по поводу большого и малого, по поводу того, с чем мы сталкиваемся каждый день, и того, с чем мы столкнулись лишь один раз в жизни. Когда мы находим доводы за или против этих концепций, наша уверенность в них колеблется то в одну, то в другую сторону.

Наша стандартная теория в отношении колеса рулетки состоит в том, что на нем равное количество красных и черных ячеек, а также что шарик с одинаковой вероятностью попадает на красное или на черное. Но есть и конкурирующие теории: например, на колесе больше ячеек того или иного цвета[152]. Давайте упростим ситуацию и будем исходить из предположения, что в вашем распоряжении есть только три теории.

red (больше красных ячеек): колесо сделано так, чтобы шарик попадал на красное в 60 % случаев.

fair (равное количество ячеек): на колесе равное количество ячеек обоих цветов, поэтому шарик в половине случаев попадает на красное и в половине случаев – на черное.

black (больше черных ячеек): колесо сделано так, чтобы шарик попадал на черное в 60 % случаев.

Какую степень достоверности вы приписываете этим трем теориям? Возможно, вы считаете, что на колесе рулетки одинаковое количество черных и красных ячеек, если только у вас нет оснований думать иначе. Может быть, по вашему мнению, равное количество ячеек (fair) – это правильная теория с вероятностью 90 %, что оставляет по 5 % теории о том, что больше черных ячеек (black), и теории о том, что больше красных ячеек (red). Мы можем нарисовать для этой ситуации такую же матрицу, как и для списка Facebook.

В этой матрице записано то, что в теории вероятностей обозначается термином «априорная вероятность». Разные люди по-разному оценивают значения априорной вероятности: настоящий циник мог бы приписать каждой теории вероятность 1/3, тогда как человек с твердой верой в высокую нравственность производителей колес рулетки может приписать теориям red и black вероятность всего 1 % в случае каждой из них.

Однако эти априорные вероятности не являются фиксированными. Если мы получим данные, говорящие в пользу той или иной теории (скажем, шарик пять раз подряд выпадает на красное), степень нашей уверенности в истинности различных теорий может измениться. Как это могло бы проявиться в данном случае? Лучший способ выяснить это сводится к тому, чтобы рассчитать больше условных вероятностей и нарисовать матрицу большего размера.

Какова вероятность, что мы запустим колесо рулетки пять раз и получим последовательность RRRRR? Ответ зависит от того, какая теория истинна. В случае теории fair при каждом запуске колеса рулетки вероятность того, что шарик попадет в красную ячейку, равна 1/2, а значит, вероятность получения последовательности RRRRR составляет

1/2 × 1/2 × 1/2 × 1/2 × 1/2 = 1/32 = 3,125 %.

Другими словами, вероятность последовательности RRRRR точно такая же, как и в случае остальных 31 последовательности.

Однако, если верна теория BLACK, вероятность попадания шарика в красную ячейку при каждом запуске равна 40 %, или 0,4, а значит, вероятность последовательности RRRRR составляет:

0,4 × 0,4 × 0,4 × 0,4 × 0,4 = 1,024 %.

Если же верна теория red, вероятность попадания шарика в красную ячейку при каждом запуске равна 60 %, а значит, вероятность последовательности RRRRR составляет:

0,6 × 0,6 × 0,6 × 0,6 × 0,6 = 7,76 %.

Теперь давайте увеличим количество клеток в матрице с трех до шести.

Столбцы этой матрицы по-прежнему соответствуют трем теориям: black, fair и red. Но теперь мы разбиваем каждый столбец на две клетки, одна из которых соответствует получению последовательности RRRRR, а другая – отсутствию этой последовательности. Мы уже выполнили все математические вычисления, необходимые для определения чисел, которые необходимо записать в клетках матрицы. Например, априорная вероятность того, что fair – это правильная теория, составляет 0,9. А 3,125 % от этой вероятности, 0,9 × 0,03125 (или около 0,0281), следует записать в клетке, в которой fair – правильная теория, а шарики выпадают в последовательности RRRRR. Число 0,8719 попадает в клетку «теория fair истинна, не RRRRR», так что сумма вероятностей в столбце fair составляет 0,9.

Априорная вероятность попадания в столбец red равна 0,05. Следовательно, вероятность того, что теория red истинна и что шарики выпадают в последовательности RRRRR, составляет 7,76 % от 5 %, или 0,0039. Это составляет 0,0461 для клетки «теория red истинна, RRRRR».

Теория black также имеет априорную вероятность 0,05. Однако эта теория не так хорошо согласуется с вероятностью последовательности RRRRR. Вероятность того, что теория black истинна, а шарики выпадают в последовательности RRRRR, равна всего 1,024 % от 5 %, или 0,0005.

Вот как выглядит наша матрица с заполненными клетками.

(Обратите внимание, что сумма чисел во всех клетках матрицы равна единице. Именно так и должно быть, поскольку шесть клеток матрицы представляют все возможные варианты.)

Что произойдет с нашими теориями, если мы запустим колесо и действительно получим последовательность RRRRR? Это была бы хорошая новость для теории red и плохая новость для теории black. Именно это мы и видим. Попадание шарика в красные ячейки пять раз подряд означает, что мы находимся в нижней строке матрицы из шести клеток, причем вероятность 0,0005 соответствует теории black, 0,028 теории fair и 0,0039 теории red. Другими словами, при условии формирования последовательности RRRRR наша новая оценка состоит в том, что вероятность истинности теории fair в семь раз больше вероятности теории red, а вероятность теории red примерно в восемь раз больше вероятности теории black.

Если вы хотите перевести эти относительные величины в вероятность, выраженную в процентах, вам нужно просто вспомнить, что общая вероятность всех возможных вариантов должна быть равной единице. Сумма чисел в нижней строке равна 0,0325; следовательно, чтобы обеспечить сумму этих чисел, равную единице, без изменения соотношения между ними, можно просто разделить каждое число на 0,0325. В итоге вы получите следующее.

Вероятность того, что теория black истинна, равна 1,5 %.

Вероятность того, что теория fair истинна, равна 86,5 %.

Вероятность того, что теория red истинна, равна 12 %.

Степень вашей уверенности в истинности теории red увеличилась почти в два раза, тогда как уверенность в теории black почти полностью сошла на нет. Этого и следовало ожидать! Вы видите, как шарик выпадает на красное пять раз подряд, так почему бы вам не начать более серьезно подозревать, что игра нечестная?

Шаг «разделить все на 0,0325» может показаться ситуативным трюком. Но на самом деле это действительно необходимо сделать. Если вам трудно понять это на интуитивном уровне, вот еще одна картина происходящего, которая многим нравится больше. Представьте себе, что есть десять тысяч колес рулетки. И есть десять тысяч комнат, в которых находятся разные колеса, и за каждым колесом играет какой-то человек. Один из людей, играющих в рулетку, – это вы. Но вы не знаете, какое именно колесо вам досталось! В таком случае можно построить модель вашего незнания истинного характера колеса, предположив, что среди исходных десяти тысяч колес в пяти сотнях колес было сделано больше черных ячеек, еще в пяти сотнях больше красных ячеек (red), а в остальных девяти тысячах колес равное количество черных и красных ячеек (fair).

Выполненные выше расчеты говорят о том, что последовательность RRRRR может быть в случае 281 колеса fair, 39 колес red и только 5 колес black. Следовательно, получив последовательность RRRRR, вы все равно не знаете, в какой из десяти тысяч комнат находитесь, но вам удалось существенно сократить количество вариантов: вы находитесь в одной из 325 комнат, в которых шарик выпал на красное пять раз подряд. А среди этих комнат в 281 из них (около 86,5 %) колеса fair, в 39 (12 %) колеса red и только в 5 (1,5 %) колеса black.

Чем больше шариков попадает в красные ячейки, тем более благосклонно вы будете относиться к теории red (и тем меньше будете доверять теории black). Если вы увидели бы, как шарик попадает в красные ячейки десять раз подряд, а не пять, те же вычисления повысили бы вашу оценку вероятности истинности теории red до 25 %.

Мы с вами рассчитали, как степень нашей уверенности в истинности различных теорий должна измениться после того, как шарик попадет в красную ячейку пять раз подряд. Полученная величина называется «апостериорная вероятность». Подобно тому как априорная вероятность описывает степень вашей уверенности в истинности теории до получения эмпирических данных, апостериорная вероятность характеризует степень уверенности после получения данных. При этом мы делаем байесовский вывод, поскольку переход от априорной к апостериорной вероятности основан на старой формуле теории вероятностей, которая называется теоремой Байеса. Эта теорема представлена в виде короткого алгебраического выражения, которое я вполне мог бы написать для вас прямо здесь и сейчас. Но я попытаюсь не делать этого, поскольку, если вы начнете применять формулу сугубо механически, не задумываясь о сложившейся ситуации, это может затруднить понимание того, что происходит на самом деле. Все, что вам нужно знать о происходящем здесь, уже можно увидеть в представленной выше матрице[153].

Апостериорная вероятность зависит не только от эмпирических данных, которые вы получаете, но и от априорной вероятности. Циник, который начал с априорной вероятности теорий black, fair и red, равной 1/3, отреагирует на пять красных ячеек подряд апостериорной оценкой, согласно которой вероятность истинности теории red равна 65 %. Доверчивый человек, который начинает с присвоения теории red вероятности всего 1 %, даст ей шанс быть истинной всего 2,5 % даже после того, как шарик выпадет на красное пять раз подряд.

В байесовской системе степень вашей уверенности в чем-то после получения эмпирических данных зависит не только от того, о чем говорят эти данные, но и от того, в какой степени вы были уверены в этом в самом начале.

Это может показаться настораживающим. Разве наука не должна быть объективной? Вам хотелось бы заявить, что ваши убеждения основаны на одних только фактах, а не на каких-то априорных предубеждениях, с которыми вы вошли в эту дверь. Но давайте посмотрим правде в глаза: на самом деле ни у кого убеждения не формируются таким способом. Если в результате эксперимента получены статистически значимые доказательства, что новая модификация существующего лекарственного препарата замедляет развитие некоторых разновидностей рака, скорее всего вы будете достаточно уверены в эффективности нового препарата. Но, если вы получите те же результаты, поместив пациентов в пластиковую модель Стоунхенджа, разве примете вы, пусть даже неохотно, вывод, что это древнее сооружение действительно фокусирует энергию колебаний Земли на организме человека и останавливает развитие опухоли? Нет, не примете, потому что это полная чушь. Вы подумаете, что, по всей видимости, Стоунхенджу просто повезло. У вас разные априорные оценки этих двух теорий, поэтому в итоге вы по-разному интерпретируете эмпирические данные, несмотря на то что в численном выражении они одинаковы.

То же самое можно сказать об алгоритме поиска террористов, применяемом в Facebook, и о вашем соседе по дому. Присутствие соседа в списке потенциальных террористов действительно наводит на мысль, что он может им быть. Но ваша априорная вероятность истинности этой гипотезы должна быть крайне малой, поскольку большинство людей не являются террористами. Следовательно, несмотря на факт включения соседа в список, ваша апостериорная вероятность остается такой же малой, и вы не беспокоитесь по этому поводу – во всяком случае, не должны беспокоиться.

Полагаться исключительно на проверку значимости нулевой гипотезы – это значило бы поступать совершенно не по-байесовски: строго говоря, такой подход предлагает нам относиться к лекарству от рака и к пластиковому Стоунхенджу с одинаковым уважением. Можно ли считать это ударом по взглядам Фишера на статистику? Напротив. Когда Фишер говорит, что «ни у одного ученого нет фиксированного уровня значимости, в соответствии с которым он из года в год, при любых обстоятельствах отбрасывает гипотезы; скорее, он осмысливает каждую конкретную гипотезу в свете имеющихся доказательств и идей», он имеет в виду, что к научному выводу нельзя (или как минимум не следует) подходить сугубо механически; необходимо учитывать также сформировавшиеся ранее идеи и убеждения.

Впрочем, Фишер не был специалистом по байесовской статистике. В наши дни это словосочетание относится к целой совокупности практик и систем взглядов в статистике (когда-то не очень популярных, но сейчас довольно распространенных), которым свойственно общее расположение к аргументации, основанной на теореме Байеса, однако это не просто вопрос принятия во внимание как прежних убеждений, так и новых эмпирических данных. Байесов подход получил наибольшее распространение в различных видах вывода (например, в случае обучения вычислительных машин способности учиться на основе большого объема информации, полученной от человека), плохо сочетающихся с вопросами «да или нет», на решение которых был рассчитан подход Фишера. В действительности специалисты по байесовской статистике зачастую вообще не думают о нулевой гипотезе. Вместо того чтобы задавать вопрос: «Оказывает ли новый лекарственный препарат какое-либо воздействие?» – они могут больше интересоваться наиболее вероятным предположением прогностической модели, описывающей воздействие разных доз препарата на разные группы людей. А когда эти специалисты действительно говорят о гипотезах, они относительно свободно говорят о вероятности того, что гипотеза (скажем, новый препарат лучше существующего) истинна. Фишер не испытывал такой непринужденности в отношении вероятности истинности гипотез. Он считал, что язык вероятности используется должным образом только в ситуации, в которой имеет место некий реальный случайный процесс.

Теперь мы прибыли на берег огромного моря философских проблем, в которое погрузим только один-два пальца, не больше.

Когда мы называем теорему Байеса теоремой, это предполагает, что речь идет о непререкаемых истинах, подтвержденных математическим доказательством. Это и верно и нет. Все сводится к трудному вопросу о том, что мы имеем в виду, когда говорим «вероятность». Когда мы говорим, что вероятность истинности теории red составляет 5 %, мы можем иметь в виду, что на самом деле существует огромное множество колес рулетки, в котором одна из двадцати рулеток сделана так, что шарик выпадает на красное в трех из пяти случаев, а также что любое колесо рулетки, с которым мы сталкиваемся, наугад выбрано из общего множества колес. Если мы имеем в виду именно это, тогда теорема Байеса – очевидный факт, подобный закону больших чисел, о котором шла речь в предыдущей главе. Эта теорема гласит, что в большом интервале времени при условиях, которые мы сформулировали в примере, 12 % колес рулетки, выдающих последовательность RRRRR, – это рулетки, отдающие предпочтение красным ячейкам.

Но на самом деле речь идет не об этом. Когда мы утверждаем, что вероятность истинности теории red составляет 5 %, мы говорим не о глобальном распределении работающих колес рулетки с систематической ошибкой (откуда нам знать об этом?), а скорее, о собственном психическом состоянии. Пять процентов – это степень нашей уверенности в том, что колесо рулетки, с которым мы имеем дело, смещено в сторону красных ячеек.

Кстати, Фишер полностью отказался принять такой подход. Он безжалостно раскритиковал книгу Джона Мейнарда Кейнса Treatise on Probability («Трактат о вероятности»), в которой говорится, что вероятность «измеряет “степень разумной убежденности”, которая приписывается теореме в свете представленных доказательств». Мнение Фишера об этой точке зрения прекрасно подытожено в заключительных строках: «Если студенты, изучающие математику в нашей стране, приняли бы изложенные в последнем разделе книги господина Кейнса взгляды как нечто непререкаемое, это оттолкнуло бы их от одной из самых перспективных областей прикладной математики, вызвав у некоторых отвращение, а большинство оставив в неведении»{148}.

Те, кто готов принять понимание вероятности как степень уверенности, могут рассматривать теорему Байеса не как обычное математическое уравнение, а как своего рода совет, представленный в численном виде. Эта теорема предоставляет в наше распоряжение правило (по поводу которого мы сами решаем, придерживаться его или нет) относительно того, как следует корректировать степень своей уверенности в чем-то в свете новых наблюдений. В новой, более общей форме такая трактовка вероятности стала темой еще более ожесточенных дискуссий. Есть самые непреклонные сторонники байесовской теории, считающие, что все наши убеждения должны быть сформированы посредством строгих байесовских вычислений или как минимум настолько строгих, насколько их способно сделать такими наше ограниченное познание. Другие считают правило Байеса неопределенным качественным ориентиром.

Байесовского видения мира уже достаточно, чтобы объяснить, почему последовательность RBRRB выглядит случайной, тогда как RRRRR нет, хотя обе они в равной степени маловероятны. Когда мы видим RRRRR, это усиливает теорию (теорию о том, что колесо настроено так, чтобы шарик чаще выпадал на красное), которой мы уже присвоили некую априорную вероятность. Но как насчет RBRRB? Представьте себе человека, придерживающегося на редкость непредвзятого мнения о рулетке, который присваивает некую умеренную вероятность теории о том, что колесо рулетки работает под управлением скрытой машины Руба Голдберга[154] и выдает результат «красное, черное, красное, красное, черное». Почему бы нет? Увидев воочию, как шарик попадает в ячейки в последовательности RBRRB, такой человек найдет в этом веское доказательство в пользу данной теории.

Однако реальные люди совсем не так реагируют на вращение колеса рулетки, которое приводит к результату «красное, черное, красное, красное, черное». Мы не позволяем себе анализировать все абсурдные теории, которые можем построить, рассуждая логически. Наши априорные суждения не однообразные, а разнородные. Некоторым теориям мы присваиваем большой психологический вес, тогда как другие, такие как теория RBRRB, получают вероятность, практически неотличимую от нуля. Как мы выбираем теории, которым отдаем предпочтение? Как правило, простые теории нравятся нам больше, чем сложные; мы предпочитаем теории, основанные на аналогиях с тем, что нам уже известно, теориям, которые касаются совершенно новых явлений. Это может показаться несправедливым предубеждением, но без определенных предубеждений мы могли бы оказаться в состоянии непреходящего изумления. Ричард Фейнман описал подобный образ мыслей так:

Вы знаете, сегодня вечером со мной приключилась удивительная вещь: я шел сюда, на лекцию, и проходил через парковку. И вы не поверите, что произошло. Я увидел машину с номером ARW 357. Вы можете себе представить? Из всех миллионов машинных номеров в стране какова была вероятность того, что я увижу именно этот номер? Поразительно![155]{149}

Если вы когда-либо употребляли самое популярное из не совсем легальных психотропных веществ, вам известно, что значит иметь слишком однообразные априорные суждения. Каждый стимул, который на вас воздействует, каким бы обыкновенным он ни был, кажется чрезвычайно значимым. Каждое событие захватывает все ваше внимание и требует, чтобы вы отреагировали на него. Это очень интересное психическое состояние, но оно не способствует тому, чтобы вы делали правильные выводы.

Байесовский подход объясняет, почему на самом деле Фейнман не был поражен: потому что он присваивает очень низкую априорную вероятность гипотезе о том, что некая космическая сила сделала так, чтобы он увидел номерной знак ARW 357 в тот вечер. Это объясняет, почему попадание шарика в красную ячейку пять раз подряд кажется нам «менее случайным», чем последовательность RBRRB: потому что первое приводит в действие теорию red, которой мы присвоили довольно большую априорную вероятность, тогда как второе нет. А число с нулем в конце кажется менее случайным, чем число с семеркой в конце, потому что первое подкрепляет теорию о том, что число, которое мы видим, представляет собой не точный итог, а приблизительную оценку.

Эта концептуальная схема помогает также решить некоторые загадки, с которыми мы уже сталкивались. Почему нас удивляет и даже вызывает подозрение, когда в розыгрыше лотереи два раза подряд выпадают номера 4, 21, 23, 34, 39, но этого не происходит, когда в один день выпадают номера 4, 21, 23, 34, 39, а на следующий день 16, 17, 18, 22, 39, хотя оба события в равной степени маловероятны? Безусловно, где-то в подсознании у вас уже сложилась какая-то теория – теория о том, что розыгрыши лотереи по какой-то причине с необычно высокой вероятностью выдают одни и те же номера подряд за короткий промежуток времени. Может быть, это происходит потому, что, по вашему мнению, владельцы лотереи подделывают результаты розыгрышей, либо потому, что некая космическая сила, любящая синхронию, придерживает весы фортуны, – не имеет значения. Возможно, вы верите в эту теорию не слишком сильно, а в глубине души считаете, будто существует один шанс из сотни тысяч, что действительно есть такое смещение в пользу повторяющихся номеров. Но это гораздо больше априорной вероятности, которую вы присваиваете теории о существовании тайного заговора в пользу сочетания 4, 21, 23, 34, 39 и 16, 17, 18, 22, 39. Именно эта теория совсем уж бредовая, но ведь вы не под воздействием наркотиков, поэтому и не обращаете на нее никакого внимания.

Если вдруг вы осознаете, что в какой-то мере верите в эту бредовую теорию, не беспокойтесь: скорее всего, полученные вами эмпирические данные не будут ее подтверждать, снижая вашу веру в этот бред до той степени, с которой в него верят другие, – если только данная бредовая теория не создана именно так, чтобы она могла пройти процесс отсева. Так работают теории заговора.

Предположим, близкий друг сообщает вам, что взрывы во время Бостонского марафона были организованы федеральным правительством, для того чтобы, например, обеспечить поддержку прослушивания телефонных разговоров Агентством национальной безопасности. Назовем это теорией Т. Доверяя своему другу, сначала вы присваиваете этой теории приемлемо высокую вероятность, скажем 0,1. Но затем вы получаете другую информацию: полиция определила местонахождение подозреваемых в совершении этого преступления, выживший подозреваемый признал свою вину и так далее. Каждый из этих фрагментов информации достаточно маловероятен, если исходить из теории Т, и каждый снижает степень вашей уверенности в истинности теории Т до тех пор, пока вы почти перестаете верить в эту теорию. Именно поэтому ваш друг и не предложит вам одну лишь теорию Т; он расскажет вам о теории U, согласно которой правительство и новостные СМИ вместе устроили заговор, в ходе которого газеты и сети кабельного телевидения передают ложную информацию в поддержку истории о том, что теракт был совершен исламскими радикалами. Совокупная теория T + U сначала должна иметь меньшую априорную вероятность: по существу, в нее труднее поверить, чем в теорию Т, поскольку в этом случае от вас требуется поверить одновременно в теорию Т и еще в одну. Но по мере поступления новых данных, которые скорее всего уничтожат только теорию Т[156], совокупная теория T + U остается нетронутой. Джохар Царнаев осужден? Ну да, именно этого вы и ожидали от федерального суда – Министерство юстиции держит все под контролем! Теория U служит в качестве своего рода байесовского защитного покрытия для теории Т, не позволяя новым данным проникать и растворять эту теорию. Это свойственно многим бредовым теориям: они заключены в достаточно прочную защитную оболочку, которая выражается в том, что эти теории согласуются со многими возможными наблюдениями, в связи с чем их трудно опровергнуть. Такие теории подобны мультирезистентной синегнойной палочке информационной экосистемы. В каком-то смысле они достойны восхищения.

Когда я учился в университете, у меня был друг с предпринимательскими наклонностями, у которого возникла идея заработать в начале учебного года немного денег продажей футболок первокурсникам{150}. В то время самые разнообразные футболки можно было купить в мастерской трафаретной печати примерно за четыре доллара, тогда как цена в университетском городке составляла десять долларов. В начале 1990-х было модно ходить на вечеринки в шляпе, напоминающей шляпу из фильма The Cat in the Hat («Кот в шляпе»)[157]. Поэтому мой друг собрал восемьсот долларов и заказал две сотни футболок с изображением Кота в шляпе, пьющего пиво. Футболки продавались быстро.

Мой предприимчивый друг был несколько ленив, поэтому так и не стал хорошим предпринимателем. Когда он продал восемьдесят футболок и вернул вложенные деньги, ему надоело целый день сидеть во дворе нашего городка, продавая футболки. В итоге коробка с ними отправилась к нему под кровать.

Неделю спустя наступил день стирки. Как я уже говорил, мой друг был ленив, и стирать ему не хотелось. И тут он вспомнил, что у него есть целая коробка чистых, совершенно новых футболок с изображением Кота в шляпе, потягивающего пиво. Что и решило проблему стирки.

Как оказалось, это решило проблему стирки и на следующий день.

И так дальше.

Но вот в чем ирония. Все вокруг считали моего друга самым нечистоплотным человеком в университете, потому что он каждый день носил одну и ту же футболку. Хотя на самом деле он был самым чистым человеком в университете, поскольку ежедневно надевал совершенно новую, еще не ношенную футболку!

Вот урок по поводу умозаключения: необходимо быть очень осторожными с тем множеством теорий, которое вы рассматриваете. Подобно тому как может быть не одно решение квадратного уравнения, может существовать несколько теорий, связанных с одним и тем же наблюдением, и, если мы не проанализируем все эти теории, наши выводы в состоянии совершенно сбить нас с пути.

Это возвращает нас к вопросу о Творце Вселенной.

Самый знаменитый аргумент в пользу сотворения этого мира Богом – это так называемый аргумент о замысле, который в самой простой его форме сводится к следующему: вы только посмотрите вокруг, неужели вы считаете, что настолько сложный и удивительный мир мог сформироваться всего лишь по воле случая и физических законов?

Более формально этот принцип сформулировал либеральный теолог Уильям Пейли в опубликованной в 1802 году книге Natural Theology; or, Evidences of the Existence and Attributes of the Deity, Collected from the Appearances of Nature («Естественная теология, или Свидетельства существования Бога и Его атрибутов, собранных из явлений природы»):

Если это истинно в отношении часов, то насколько более это истинно в отношении воробья, или человеческого глаза, или человеческого мозга?

Книга Пейли имела огромный успех: она была издана пятнадцать раз за пятнадцать лет{151}. Дарвин, который внимательно прочитал ее в колледже, сказал впоследствии: «Думаю, что я никогда не восхищался книгой больше, чем книгой Пейли “Естественная теология”: в прошлом я мог пересказать ее наизусть»{152}. А усовершенствованные разновидности аргумента Пейли образуют основу современного движения в поддержку концепции разумного замысла.

Разумеется, это классическое доказательство от маловероятного:

• если Бога нет, существование таких сложных объектов, как человеческие существа, было бы маловероятным;

• люди существуют;

• следовательно, маловероятно, что Бога нет.

Напоминает аргументацию, которую использовали искатели библейских кодов: если Бог не писал Тору, маловероятно, чтобы в тексте на свитке были столь точные записи имен и дат рождения раввинов!

Наверное, вам уже надоело, что я так часто это повторяю, но доказательство от маловероятного работает не всегда. Если мы действительно хотели бы представить в количественном выражении степень своей уверенности в том, что Бог создал Вселенную, нам следовало бы нарисовать другую байесовскую матрицу.

Первая трудность состоит в том, чтобы определить априорные вероятности. Сделать это довольно трудно. В случае рулетки мы задавали такой вопрос: какую вероятность мы присваиваем предположению, что колесо рулетки не работает надлежащим образом, прежде чем увидим его вращение? Теперь мы ставим вопрос так: какую вероятность мы присвоили бы гипотезе о существовании Бога, если не знали бы о существовании Вселенной, Земли и себе подобных?

В этот момент самым естественным шагом было бы развести руками и прибегнуть к принципу с очаровательным названием «принцип безразличия». Поскольку не существует принципиального способа сделать вид, что мы не знаем о собственном существовании, нам остается просто разделить априорную вероятность поровну, присвоив 50 % теории, что Бог есть, и 50 % – теории, что Бога нет[159].

Если истинна теория, что Бога нет, тогда столь сложные существа, как люди, должны были возникнуть по чистейшей случайности, чему, возможно, способствовал естественный отбор. Сторонники концепции разумного замысла сходятся во мнении, что подобное крайне маловероятно; давайте выразим все в числах и скажем, что эта вероятность составляет один шанс на миллиард миллиардов. Следовательно, в нижней правой клетке матрицы мы запишем одну миллиардмиллиардную от 50 %, или одну двухмиллиардмиллиардную.

Но что если истинна теория, что Бог есть? Существует много вариантов того, в чем может быть выражено существование Бога; мы не знаем заранее, стал бы Бог, сотворивший Вселенную, создавать людей или любых других мыслящих существ, но любой Бог непременно обладал бы способностью сотворить разумную жизнь. Возможно, если Бог есть, существует один шанс на миллион, что Он создал бы таких существ, как мы.

Таким образом, наша матрица выглядит теперь так.

На этом этапе мы можем проанализировать эмпирические данные, а именно что мы существуем. Следовательно, истина находится где-то в нижней строке матрицы. А в нижней строке вы отчетливо видите, что вероятность в клетке «Бог есть» гораздо больше (в триллион раз!) вероятности в клетке «Бога нет».

По существу, это и есть выдвинутый Пейли «аргумент о замысле», как сказал бы современный приверженец байесовской теории. Существует много возражений против этого аргумента о замысле, а также огромное множество агрессивных книг на тему «вы должны стать такими же убежденными атеистами, как я», в которых можно прочитать об этих возражениях, поэтому позвольте мне сосредоточить свое внимание на возражении, которое ближе всего к рассматриваемым математическим концепциям. Речь идет о возражении «самый чистый человек в университете».

Вам наверняка известно, что самым знаменитым изречением Шерлока Холмса после восклицания «Элементарно, Ватсон!» было объяснение логического вывода: «Мой старый принцип состоит в том, чтобы исключить все невозможное. То, что останется, каким бы невероятным это ни выглядело, должно быть истиной».

Разве это не звучит невозмутимо, разумно и неоспоримо?

Но это еще не все. Шерлоку Холмсу следовало бы сказать нечто в таком роде:

Мой старый принцип состоит в том, чтобы исключить все невозможное. То, что останется, каким бы невероятным это ни выглядело, должно быть истиной, если только эта истина не является гипотезой, которую вам не пришло в голову проанализировать.

Менее лаконично, зато более корректно. Люди, которые пришли к выводу о том, что мой друг – самый нечистоплотный человек в университете, рассматривали только две гипотезы:

Чистюля: мой друг меняет футболки, стирает их, а затем снова начинает их менять, как нормальный человек.

Грязнуля: мой друг – нечистоплотный дикарь, который носит грязную одежду.

Вы можете начать с какой-либо априорной вероятности; исходя из своих воспоминаний об учебе в университете, я могу предположить, что было бы правильным присвоить теории Грязнули вероятность 10 %. Но на самом деле не имеет значения, какую априорную вероятность вы выберете: теорию Чистюли опровергает наблюдение, что мой друг носит одну и ту же футболку каждый день. «Если исключить невозможное…»

Но подождите-ка, мистер Холмс: истинное объяснение, Ленивый предприниматель – это гипотеза, не вошедшая в список.

Аргумент о замысле сопряжен с такой же проблемой. Если вы допускаете только две гипотезы: БОГА НЕТ и БОГ ЕСТЬ, – богатую структуру живого мира вполне можно использовать в качестве доказательства в пользу истинности второй, а не первой гипотезы.

Однако есть и другие возможности. Как насчет гипотезы БОГИ ЕСТЬ, согласно которой мир в спешке был создан группой богов, пререкающихся друг с другом? В это верили многие великие цивилизации. Кроме того, вы ведь не можете отрицать, что существуют такие аспекты мира природы (здесь мне в голову приходит бамбуковый медведь), которые кажутся скорее результатом неохотного бюрократического компромисса, а не творением разума всеведущего божества, осуществляющего полный контроль над процессом творения. Если мы начнем с присвоения одной и той же априорной вероятности гипотезам БОГ ЕСТЬ и БОГИ ЕСТЬ – а почему бы и нет, если мы следуем принципу безразличия? – тогда байесовский вывод должен привести нас к гораздо большей уверенности в истинности не теории БОГ ЕСТЬ, а теории БОГИ ЕСТЬ[160].

Но зачем останавливаться на этом? Историям о происхождении Вселенной нет конца. Еще одна теория, которой придерживаются некоторые приверженцы имитационного моделирования, гласит, что на самом деле мы вообще не люди, а модели, существующие на суперкомпьютере, созданном другими людьми[161]. Это звучит нелепо, но многие люди весьма серьезно относятся к этой идее (самый известный из них профессор философии Оксфордского университета Ник Бостром{153}), а с точки зрения байесовской теории трудно объяснить, почему должно быть иначе. Людям нравится строить модели, имитирующие события реального мира; безусловно, если человечество не прекратит свое существование, наша способность создавать такие модели будет только усиливаться. В связи с этим вполне можно представить, что в свое время одним из элементов данных моделей станут обладающие сознанием существа, которые считают себя людьми.

Если истинна гипотеза имитации и Вселенная представляет собой модель, сконструированную людьми в более реальном мире, тогда вполне вероятно, что в этой Вселенной будут люди, поскольку люди любят имитировать людей! Я назвал бы это почти полной уверенностью (для целей нашего примера давайте говорить об абсолютной уверенности) в том, что в имитационном мире, созданном технологически развитым человечеством, будут (смоделированные) люди.

Если мы присвоим каждой из четырех гипотез, о которых шла речь выше, априорную вероятность 1/4, матрица будет выглядеть так.

Учитывая тот факт, что мы все-таки существуем, истина находится где-то в нижней строке матрицы, но наибольшая вероятность – в клетке имитация. Да, существование человеческой жизни – это доказательство существования Бога, однако гораздо лучшее доказательство состоит в том, что наш мир был запрограммирован людьми, которые намного умнее нас.

Сторонники так называемого научного креационизма утверждают, что во время школьных занятий мы должны рассказывать о существовании создателя этого мира, но не потому, что так гласит Библия (это было бы просто непозволительно!), а по веским причинам, основанным на поразительной маловероятности существования человечества при условии истинности гипотезы, что Бога нет.

Но, если бы мы всерьез отнеслись к такому подходу, мы рассказывали бы десятиклассникам нечто в таком роде:

Некоторые утверждают, будто в высшей степени маловероятно, чтобы нечто столь сложное, как биосфера Земли, возникло сугубо в процессе естественного отбора без какого бы то ни было вмешательства извне. Вне всяких сомнений, самым вероятным объяснением является то, что на самом деле мы не физические существа, а обитатели компьютерной модели, выполненной людьми с намного более развитой технологией. Правда, с какой целью – мы точно не знаем. Возможно также, что мы созданы сообществом богов, похожих на тех богов, которым поклонялись древние греки. Еще больше людей верят в то, что один Бог создал Вселенную, но эту гипотезу следует считать менее обоснованной, чем другие гипотезы.

Думаете, школьному совету это понравилось бы?

Тогда мне лучше поспешить и обратить ваше внимание на следующее: на самом деле гипотеза, что все мы компьютерные модели{154}, нравится мне не больше, чем аргумент Пейли о существовании Бога. Напротив, у меня возникло неприятное ощущение, будто эти аргументы свидетельствуют, что мы достигли предела количественного мышления. Мы привыкли выражать свою неуверенность в отношении чего-то в виде числа. Порой в этом даже есть свой смысл. Когда метеоролог говорит в вечерних новостях: «Завтра будет дождь с вероятностью 20 %», – это означает, что из всего множества прошедших дней с условиями, напоминающими текущие условия, в 20 % случаев на следующий день были дожди. Но что мы можем иметь в виду под фразой: «Вселенную создал Бог с вероятностью 20 %»? Это не может означать, что Бог создал одну вселенную из пяти, а остальные возникли сами по себе. Дело в том, что я так и не нашел метод, который показался бы мне вполне подходящим для присвоения числовых значений нашей неопределенности в отношении важнейших вопросов такого рода. Как бы я ни любил числа, я считаю, что люди должны придерживаться какого-то из принципов: «Я не верю в Бога», «Я верю в Бога» или просто: «Я не уверен». Как бы я ни любил байесовский вывод, я считаю, что людям лучше обретать веру (или отбрасывать ее), не прибегая к числам. В этом деле математика хранит молчание.

Если не верите мне, поверьте Блезу Паскалю, математику и философу, написавшему в XVII столетии:

Бог или есть, или Его нет; но на какую сторону мы склонимся? Разум тут ничего определить не может[162].

Но это еще не все. Паскаль много что успел сказать в своих «Мыслях» (Pensées). В следующей главе мы обратимся и к его труду и его размышлениям по этому вопросу. Но сначала поговорим о лотерее.

Следует ли играть в лотерею?

Благоразумным принято считать ответ «нет». Старый афоризм говорит нам, что лотереи – это «налог на глупость», обеспечивающий правительству доход за счет людей, введенных в заблуждение настолько, что они готовы покупать лотерейные билеты. Если воспринимать лотерею как налог, то можно понять, почему лотереи так популярны среди государственных казначейств. Сколько еще налогов люди готовы выплачивать, стоя в очередях у лотерейных терминалов?

Притягательность лотерей – явление далеко не новое. Эта практика началась еще в XVII столетии в Генуе, где лотерея появилась случайно как следствие избирательной системы{155}. Один раз в шесть месяцев в Генуе избирали двух членов Малого совета. Вместо того чтобы проводить выборы, избрание членов совета осуществлялось посредством жеребьевки, когда из кипы бумажек с именами ста двадцати советников вытягивались две полоски. Вскоре городские любители азартных игр стали заключать пари с высокими ставками на результаты избрания членов совета. Эти пари приобрели такую популярность, что игроков начала раздражать вынужденная необходимость ждать дня выборов, чтобы сыграть в эту притягательную азартную игру. Они быстро поняли: чтобы вытягивать полоски бумаги из кучи таких полосок, в выборах вообще нет необходимости. Имена политиков заменили числами, и в 1700 году в Генуе уже действовала лотерея, которая показалась бы очень знакомой тем, кто играет в современную американскую лотерею Powerball. Игроки пытались угадать пять случайно выпавших номеров, причем чем больше чисел игрок угадывал, тем больше был его выигрыш.

Лотереи быстро распространились по всей Европе, а оттуда попали в Северную Америку. Во время Войны за независимость как континентальный Конгресс, так и правительства штатов организовывали лотереи для финансирования борьбы с британцами. В Гарварде в 1794 и 1810 годах (во времена, когда фонд финансирования университета еще не исчислялся в девятизначных цифрах) были проведены лотереи для сбора средств на строительство двух новых университетских зданий{156}. (Эти здания до сих пор используются в качестве общежитий для первокурсников.)

Не все приветствовали это новшество. Моралисты не без оснований считали, что лотереи равносильны азартным играм. Противником лотерей был также и Адам Смит. В своем труде The Wealth of Nations («Исследование о природе и причинах богатства народов») он писал:

Убедительность высказываний Смита и его достойное восхищения упорство в рассмотрении количественных показателей не должны скрыть от вас тот факт, что его вывод, строго говоря, неверен. Большинство игроков в лотерею сказали бы, что покупка двух лотерейных билетов вместо одного не увеличивает вероятность проигрыша, а в два раза повышает вероятность выигрыша. И были бы правы! В лотерее с простой призовой структурой легко проверить все самостоятельно. Предположим, в лотерее 10 миллионов комбинаций чисел и только один победитель. Стоимость билетов 1 доллар, а приз – 6 миллионов долларов.

Человек, купивший все билеты до единого, потратит 10 миллионов долларов и получит приз в размере 6 миллионов долларов. Другими словами, как и говорил Смит, это явно проигрышная стратегия, которая обойдется игроку в 4 миллиона долларов. Мелкий игрок, купивший всего один билет, находится в более выгодном положении: у него есть как минимум один шанс из 10 миллионов остаться с прибылью!

Но, что если вы купите два билета? В таком случае вероятность проигрыша сокращается, хотя, надо признать, всего с 9 999 999 из 10 миллионов до 9 999 998 из 10 миллионов. Чем больше билетов вы покупаете, тем больше снижается вероятность проигрыша, но только пока вы не купите 6 миллионов билетов. В этом случае вероятность выиграть приз, а значит, остаться при своих, составляет целых 60 %, тогда как вероятность проиграть равна всего 40 %. Вопреки утверждению Смита, покупка большего количества лотерейных билетов позволит вам снизить вероятность проигрыша.

Но если вы купите хотя бы еще один билет, потеря денег неизбежна (хотя о какой именно сумме идет речь, 1 доллар или 4 000 001 доллар, зависит от того, есть ли среди ваших билетов выигрышный).

Здесь трудно воссоздать ход рассуждений Смита, но вполне возможно, что он стал жертвой заблуждения «все линии являются прямыми», сделав вывод о том, что если покупка всех лотерейных билетов непременно приведет к потере денег, то и покупка большего количества билетов также приведет к повышению вероятности потери денег. Человек, купивший один билет, почти полностью уверен, что потеряет деньги, но знает, что не потеряет много денег. Тот, кто купил 6 миллионов билетов, находится в гораздо более опасном положении. Скорее всего, вам все еще кажется, что оба эти решения не очень разумны. Как говорил Смит, если лотерея – это выигрышное дело для государства, значит, для каждого, кто находится по другую сторону сделки, это наверняка не лучший вариант.

В аргументах Смита против лотерей отсутствует понятие ожидаемой ценности – математический формализм, отображающий ту интуитивную догадку, которую он сам и пытался сформулировать. Вот в чем суть этой концепции. Предположим, у нас есть предмет, имеющий неопределенную денежную стоимость, скажем лотерейный билет:

Ожидаемая ценность – еще одна математическая концепция, имеющая (подобно значимости) название, которое не совсем верно отражает ее значение. Разумеется, мы не «ожидаем», чтобы лотерейный билет стоил 60 центов; напротив, он стоит либо 10 миллионов долларов, либо ничего, и никаких промежуточных значений.

То же самое происходит и в следующей ситуации. Предположим, я делаю ставку 10 долларов на собаку, которая, по моему мнению, с вероятностью 10 % выиграет собачьи бега. Если собака победит, я получу 100 долларов; если собака проиграет, я не получу ничего. В таком случае ожидаемая ценность этого пари составляет:

Понятие ожидаемой ценности привлекло внимание математиков еще в середине XVII столетия, а к концу столетия эта идея была уже настолько изученной, что ее использовал даже такой ученый-практик, как Эдмунд Галлей, Королевский астроном Англии[167]{158}. Да, человек, который занимался кометами! Но он был также одним из первых ученых, изучавших вопрос правильного ценообразования страховых продуктов, что в период правления Вильгельма III было делом чрезвычайной важности. Англия с энтузиазмом вступила в войну на континенте, а война требовала денег. Парламент предложил добыть необходимые средства посредством принятого в 1692 году «Закона о миллионе», призванного собрать миллион фунтов за счет продажи пожизненных аннуитетов населению. Чтобы получить такой аннуитет, необходимо было заплатить короне изрядную сумму в обмен на гарантированные пожизненные ежегодные выплаты. Это своего рода страхование жизни наоборот: по существу, покупатели аннуитета делали ставку на то, что они в скором времени не умрут. Актуарная наука находилась в то время в зачаточном состоянии, поэтому стоимость аннуитета устанавливалась без учета возраста получателя аннуитета![168]{159} Пожизненный аннуитет для дедушки, который мог получать ежегодные выплаты самое большее на протяжении десяти лет, имел такую же стоимость, что и аннуитет для ребенка.

Галлей был довольно грамотным ученым, чтобы понимать всю абсурдность схемы ценообразования, не зависящей от возраста. Он решил разработать более рациональный метод расчета стоимости пожизненного аннуитета. Проблема была в том, что люди не приходят в этот мир и не покидают его по такому же строгому графику, как это делают кометы. Однако, воспользовавшись статистическими данными рождаемости и смертности, он смог оценить вероятную продолжительность жизни каждого получателя аннуитета, а значит, и рассчитать ожидаемую ценность аннуитета: «Очевидно, что покупатель должен заплатить только за ту часть стоимости аннуитета, которая соответствует вероятной продолжительности его жизни; эту стоимость следует рассчитывать по годам, а сумма всех этих годовых значений даст стоимость аннуитета в расчете на продолжительность жизни рассматриваемого человека».

Другими словами, дедушка с его более короткой ожидаемой продолжительностью жизни платит за аннуитет меньше, чем его внук.

Когда я рассказываю людям историю об Эдмунде Галлее и о цене аннуитетов, меня часто прерывают словами: «Но это же очевидно, что молодым следует назначать более высокую цену!»

Нет, совсем не очевидно. Пожалуй, это действительно кажется очевидным, если вы, будучи современными людьми, уже кое о чем знаете. Сам факт, что люди, занимавшиеся аннуитетами, каждый раз упускали это из виду, – уже служит доказательством того, что на самом деле все не так очевидно. В математике есть множество идей, который сейчас кажутся очевидными (например, что отрицательные величины можно складывать и вычитать, что точку на плоскости полезно представлять в виде пары чисел, что вероятность неопределенных событий можно описать математически и манипулировать соответствующими значениями), однако в действительности они далеко не очевидны. Если все было бы так, все подобные идеи возникли бы не на столь позднем этапе развития человеческой мысли.

Наша тема напомнила мне старый случай, связанный с одним замечательным российским профессором, которого мы назывем профессором О, – эту историю любят рассказывать на математическом факультете Гарвардского университета. Профессор О дошел уже до середины вывода сложной алгебраической формулы, когда студент из заднего ряда поднял руку.

– Профессор, я не понял последнего шага. Почему эти два оператора коммутируют?

– Но ето есть очевидно[169], – слегка удивленно ответил профессор О.

– Простите, профессор, но я на самом деле этого не вижу, – продолжал упорствовать студент.

Профессор О вернулся к доске и написал на ней еще несколько строк объяснения.

– Что мы должны сделать? Так вот, два оператора приведены к диагональному виду… ну, не совсем диагональному, но… минуточку…

Профессор О помолчал еще немного, уставившись на то, что было на доске, и почесывая подбородок. Затем он ушел в свой кабинет. Прошло около десяти минут. Студенты уже собирались уходить, когда профессор О вернулся и снова занял свое место у доски.

– Да, – удовлетворенно произнес он. – Да, ето есть очевидно[170].

В настоящее время американская государственная лотерея Powerball разыгрывается в сорока двух штатах, в округе Колумбия и на Виргинских островах США. Это невероятно популярная лотерея: иногда продается целых 100 миллионов билетов на один розыгрыш{160}. В Powerball играют бедные люди, в Powerball играют те, кто уже разбогател. В Powerball играет мой отец, бывший президент Американской статистической ассоциации, а поскольку он покупает билеты и для меня, значит, и я тоже играю.

Разумно ли это?

Шестого декабря 2013 года, когда я пишу эти строки, джекпот составляет довольно большую сумму, 100 миллионов долларов. И джекпот – это не единственный способ выиграть. Подобно многим другим лотереям, в Powerball действует многоуровневая система призов; более мелкие и чаще встречающиеся призы позволяют поддерживать у людей ощущение того, что в эту лотерею стоит играть.

С помощью ожидаемой ценности мы в состоянии сопоставить эти ощущения с математическими фактами. Вот как можно рассчитать ожидаемую ценность лотерейного билета за 2 доллара. Покупая билет, вы приобретаете следующее:

Двенадцатого июля 2005 года в отдел по соблюдению правил проведения лотереи штата Массачусетс поступил необычный звонок от сотрудника супермаркета сети Star Market, что в Кембридже – городе, расположенном к северу от Бостона. Кембридж славится своими учебными заведениями: Гарвардом и Массачусетским технологическим институтом (Massachusetts Institute of Technology; далее по тексту – MIT). Дело заключалось в том, что в супермаркет зашел студент университета, чтобы купить билеты новой лотереи штата Cash WinFall. В этом не было бы ничего необычного, если бы не размер заказа: студент предъявил четырнадцать тысяч игровых карточек, заполненных вручную (каждая!), на общую сумму 28 000 долларов.

Никаких проблем, сказали в офисе лотереи сотруднику супермаркета: если карточки заполнены должным образом, любой человек может покупать столько билетов, сколько пожелает. Если магазины хотели продавать билетов больше чем на 5000 долларов в день, им необходимо было получить в офисе лотереи официальное разрешение, но такие разрешения предоставлялись без всяких проблем.

Все складывалось хорошо, поскольку Star Market не был единственным магазином в районе Бостона, продающим билеты этой лотереи, у которого на той неделе лотерейный бизнес шел весьма активно. Накануне розыгрыша 14 июля еще двенадцать магазинов связались с офисом лотереи с просьбой о предоставлении официального разрешения. Три из них были расположены в Куинси – городке к югу от Бостона на берегу Бостонского залива, в котором обитает много американцев азиатского происхождения. Десятки тысяч лотерейных билетов Cash WinFall были проданы небольшой группе покупателей в нескольких магазинах.

Что же происходило? Ответ на этот вопрос не был секретом; он лежал у всех на виду – в правилах проведения лотереи Cash WinFall. Новая лотерея, запущенная осенью 2004 года, заняла место прежней лотереи Mass Millions, которая была закрыта, после того как на протяжении целого года никто не выиграл джекпот. Игроки все больше разочаровывались в ней, в связи с чем объем продаж лотерейных билетов сократился. Штату Массачусетс необходимо было кардинальным образом реорганизовать свою лотерею, и у руководства штата возникла идея использовать адаптированную версию лотереи штата Мичиган WinFall. В лотерее Cash WinFall джекпот не становился все больше и больше с каждой неделей, на протяжении которой джекпот никто не выигрывал. Вместо этого каждый раз, когда джекпот превышал 2 миллиона долларов, эти деньги передавались на увеличение размера призов других категорий, выиграть которые было не слишком трудно. При этом на следующий розыгрыш устанавливалась минимальная сумма джекпота в размере 500 000 долларов. Комиссия по проведению лотереи рассчитывала на то, что новая лотерея, позволяющая получить серьезный выигрыш, не сорвав джекпота, покажется игрокам выгодным делом.

Организаторы лотереи штата Массачусетс сделали свою работу слишком хорошо. Получилось так, что они создали лотерею Cash WinFall, которая действительно была выгодной. Летом 2005 года несколько предприимчивых игроков поняли это.

Вот каким было распределение призов лотереи Cash WinFall в обычный день.

Если сумма джекпота составляет один миллион долларов, ожидаемая ценность двухдолларового билета достаточно низкая:

(1 миллион долларов / 9,3 миллиона) + (4000 долларов / 39 000) + (150 долларов / 800) + (5 долларов / 47) + (2 доллара / 6,8) = 79,8 цента.

Такая доходность выглядит настолько мизерной, что на этом фоне участники лотереи Powerball выглядят весьма проницательными инвесторами. (И мы еще щедро оценили бесплатный билет в 2 доллара, в которые он обошелся бы вам вместо существенно меньшей ожидаемой ценности.)

Однако в день перераспределения суммы джекпота, превышающей 2 миллиона долларов, ситуация выглядит совсем иначе. Седьмого февраля 2005 года джекпот вырос почти до 3 миллионов долларов. Этот джекпот не выиграл никто, что не удивительно, учитывая то, что в тот день в лотерею Cash WinFall играли всего 470 тысяч человек, а вероятность совпадения всех шести номеров составляла 1 из 10 миллионов.

В итоге эти деньги были переданы в фонд других призовых категорий. Согласно формуле, установленной властями штата, 600 тысяч долларов было перенесено в фонд призовых категорий «Пять совпадений» и «Три совпадения» и 1,4 миллиона долларов – в фонд категории «Четыре совпадения». Вероятность угадать в лотерее WinFall четыре номера из шести составляет 1 из 800, а значит, в тот день должно было быть около шестисот победителей в категории «Четыре совпадения» из 470 тысяч игроков. Это большое количество победителей, но 1,4 миллиона долларов – тоже большие деньги. Если разделить данную сумму среди шестисот победителей в данной категории, получится более 2000 долларов на каждого из них. На самом деле в тот день игроки, угадавшие четыре числа, могли рассчитывать на выигрыш в размере 2385 долларов. Это гораздо более выгодно, чем ничтожные 150 долларов, которые можно было получить в обычный день. В случае получения выигрыша в размере 2385 долларов с вероятностью 1 из 800 ожидаемая ценность лотерейного билета составляет:

2364 доллара / 800 = 2,98 доллара.

Другими словами, один только приз за угадывание четырех чисел делает лотерейный билет заслуживающим его цены в размере 2 доллара. Если учесть другие призовые категории, ситуация становится еще более привлекательной.

Следовательно, лотерейный билет предположительно мог обеспечить средний выигрыш в размере:

50 000 долларов / 39 000 + 2385 долларов / 800 + 60 долларов / 47 = 5,53 доллара.

Инвестиция, которая может обеспечить вам три с половиной доллара прибыли на 2 вложенных доллара, – это не тот шанс, от которого отказываются[173].

Безусловно, если в такой день один счастливчик сорвет джекпот, для всех остальных игра превратится в тыкву. Однако лотерея Cash WinFall никогда не была настолько популярной, чтобы это могло произойти. За всю историю Cash WinFall сумма джекпота, превышающая определенный уровень, переносилась в фонд других призовых категорий 45 раз, и только однажды игрок угадал все шесть чисел, и процесс перераспределения суммы был остановлен[174].

Давайте внесем ясность: эти расчеты не означают, что ставка в 2 доллара обязательно позволит вам выиграть деньги. Напротив, когда вы покупаете билет Cash WinFall в день передачи суммы джекпота в фонд других призовых категорий, ваш билет, скорее всего, окажется проигрышным, как и в любой другой день. Ожидаемая ценность – это не та ценность, которую вы ожидаете! Однако в день перераспределения призового фонда призы (в случае маловероятного события, когда вы все же выиграете) становятся больше – намного больше. Магия ожидаемой ценности состоит в том, что средний выигрыш в случае сотни, или тысячи, или десяти тысяч билетов с большой вероятностью составит около 5,53 доллара. Возможно, любой отдельно взятый билет ничего не стоит, но, если у вас тысяча билетов, можете быть уверены в том, что вы вернете вложенные деньги и даже немного заработаете.

Но кто покупает тысячу билетов за один раз?

Студенты MIT – вот кто.

Я могу рассказать вам обо всех (до последнего доллара) выигрышах в лотерею WinFall 7 февраля 2005 года только потому, что эти данные содержатся в исчерпывающем и, честно говоря, захватывающем отчете по делу WinFall, который в июле 2012 года подал властям штата Массачусетс генеральный инспектор штата Грегори Салливан{163}. Думаю, у меня есть все основания утверждать, что это единственный документ о фискальном надзоре за всю историю нашего государства, который заставляет задуматься: а кому принадлежат права на экранизацию всего этого?

Причина, почему в отчете отображены данные именно за этот день, состоит в следующем. Седьмого февраля 2005 года состоялось первое перераспределение призового фонда, после того как студент последнего курса MIT Джеймс Харви, который работал в то время над самостоятельным исследовательским проектом по сравнению преимуществ различных государственных лотерей, понял, что власти штата Массачусетс случайно создали невероятно прибыльный инвестиционный инструмент для любого человека, достаточно хорошо разбирающегося в числах, чтобы обратить на это внимание. Харви собрал группу друзей (в MIT совсем не трудно найти друзей, которые способны рассчитать математическое ожидание) и купил тысячу лотерейных билетов. Как и следовало ожидать, один из билетов оказался выигрышным в категории «Четыре совпадения», и группа получила один приз в размере 2000 долларов. Кроме того, группа получила несколько выигрышей в категории «Три совпадения». В итоге общая сумма выигрыша группы оказалась в три раза больше первоначально вложенной суммы.

Вряд ли я удивлю вас, если скажу, что Харви и другие инвесторы из его группы не прекратили играть в лотерею Cash WinFall. Или что он так и не закончил то самостоятельное исследование – во всяком случае, не довел его до того уровня, чтобы получить свой зачет на экзамене. На самом деле исследовательский проект Харви быстро перерос в преуспевающий бизнес. Летом того года сообщники Харви покупали десятки тысяч лотерейных билетов на один розыгрыш: именно один из членов его группы купил такое огромное количество лотерейных билетов в супермаркете Star Market в Кембридже. Студенты назвали свою команду Random Strategies («Случайные стратегии»){164}, хотя их подход представлял собой не более чем беспорядочный перебор вариантов. Скорее всего, это название произошло от Random Hall, общежития MIT, в котором Харви придумал свой план обогащения за счет лотереи WinFall.

И этим занимались не только студенты MIT. Были созданы как минимум еще две группы, которые пытались воспользоваться преимуществами «денежного водопада» лотереи WinFall. Инь Чжан, врач-исследователь из Бостона с дипломом PhD Северо-Восточного университета, организовал Doctor Zhang Lottery Club. Именно действия DZLC стали причиной всплеска продаж лотерейных билетов в Куинси. Вскоре группа покупала лотерейные билеты на сумму 300 тысяч долларов при каждом перераспределении призового фонда. В итоге доктор Чжан в 2006 году отказался от врачебной практики, полностью посвятив себя лотерее Cash WinFall.

Еще одну группу такого рода возглавлял Джеральд Селби, пенсионер семидесяти с лишним лет, имеющий диплом бакалавра по математике. Селби жил в Мичигане, на родине лотереи WinFall, а его группа состояла из тридцати двух игроков, в основном родственников, которые играли в WinFall на протяжении двух лет, пока в 2005 году лотерея не была упразднена. Когда Селби узнал, что его кормушка возобновилась на востоке, он предпринял очевидный шаг: в августе 2005 года они с женой Марджори отправились в Дирфилд, расположенный в западной части штата Массачусетс, и сделали свою первую ставку – 60 тысяч долларов. Домой они увезли немногим более 50 тысяч долларов чистой прибыли. Селби с его опытом игры в лотерею в штате Мичиган прибавил к своим билетам лотереи Cash WinFall еще один способ получить дополнительную прибыль{165}. В штате Массачусетс магазины получали 5 % комиссионных от продажи лотерейных билетов. Селби заключил прямую сделку с одним магазином, предложив покупать лотерейные билеты на сотни тысяч долларов за один раз в обмен на разделение 5 % комиссионных поровну. Один только этот шаг обеспечил команде Селби дополнительную прибыль в тысячах долларов на каждый розыгрыш с перераспределением призового фонда.

Вам не нужен диплом MIT, чтобы понять, как наплыв крупных игроков повлиял на игру. Не забывайте: выигрыши в день перераспределения призового фонда возросли, потому что большую сумму денег разделяли среди нескольких победителей. В 2007 году на каждый розыгрыш с перераспределением призового фонда продавалось не менее миллиона лотерейных билетов, большинство из которых покупали три крупные группы игроков. Те времена, когда можно было получить приз 2300 долларов за угадывание четырех чисел из шести, канули в лету: если билеты покупали полтора миллиона игроков и один из каждых восьми сотен угадывал четыре числа, тогда победителей в категории «Четыре совпадения» было около двух тысяч. Таким образом, доля каждого из них в общем призовом фонде этой категории в размере 1,4 миллиона долларов теперь сократилась примерно до 800 долларов.

Определить размер выигрыша крупного игрока в лотерее Cash WinFall не составит труда – все дело в том, чтобы проанализировать это с точки зрения самой лотереи. В день розыгрыша с перераспределением призового фонда в распоряжении штата есть (минимум!) 2 миллиона долларов накопленного джекпота, от которых штат должен избавиться. Предположим, в этот день полтора миллиона человек купят лотерейные билеты. Это еще 3 миллиона долларов дохода, из которых 40 %, или 1,2 миллиона долларов, уходит в казну штата, а оставшиеся 1,8 миллиона долларов вносятся в фонд джекпота, причем все эти деньги должны быть выплачены игрокам до окончания дня. Следовательно, в день такого розыгрыша штат забирает себе 3 миллиона долларов и выплачивает игрокам 3,8 миллиона долларов[175]: 2 миллиона долларов, которые уже есть в фонде джекпота, и 1,8 миллиона долларов, полученных от продажи лотерейных билетов в этот день. В любой отдельно взятый день то, что заработал штат, проигрывают игроки, и наоборот. Следовательно, день перераспределения призового фонда – это благоприятный день для игры в лотерею; в приведенном выше случае игроки, купившие билеты, в сумме получили от штата 800 тысяч долларов.

Если игроки покупают 3,5 миллиона билетов, складывается совсем другая ситуация. В этом случае организатор лотереи забирает свою долю в размере 2,8 миллиона долларов и выплачивает игрокам оставшиеся 4,2 миллиона долларов. Если прибавить сюда уже имеющиеся в фонде джекпота 2 миллиона долларов, получится 6,2 миллиона долларов, что меньше 7 миллионов долларов, вырученных штатом за продажу билетов. Другими словами, несмотря на щедрое перераспределение призового фонда, лотерея стала настолько популярной, что штат все равно получает прибыль за счет игроков.

Это очень радует власти штата.

Момент равновесия наступает, когда доля в размере 40 % дохода, полученного в день перераспределения призового фонда, в точности равна 2 миллионам долларов, уже поступившим в общий фонд (то есть деньги, полученные от игроков, которые были довольно неопытными или склонными к риску, чтобы играть в WinFall без перераспределения призового фонда). Это 5 миллионов долларов, или 2,5 миллиона лотерейных билетов. Но если сумма немного меньше (а за весь период существования лотереи WinFall она всегда была меньше), WinFall обеспечивает игрокам возможность заработать немного денег.

На самом деле мы используем здесь удивительный, хотя и вполне соответствующий здравому смыслу факт под названием «аддитивность ожидаемой ценности». Предположим, мне принадлежит франшиза McDonald’s и кафе, причем ожидаемая годовая прибыль от McDonald’s составляет 100 тысяч долларов, тогда как ожидаемая чистая прибыль от кафе – 50 тысяч долларов. Безусловно, в разные годы эти показатели могут повышаться и падать; ожидаемая ценность означает, что в долгосрочной перспективе средняя сумма денег, которые заработает McDonald’s, составит около 100 тысяч долларов в год, а средняя сумма денег, полученных от кафе, – 50 тысяч долларов.

Принцип аддитивности гласит, что в среднем общая сумма выручки от гамбургеров бигмак и кофе мокачино составит 150 тысяч долларов, то есть сумму ожидаемой прибыли от каждого из двух направлений бизнеса.

Другими словами, этот принцип можно сформулировать так:

аддитивность – ожидаемая ценность суммы двух величин представляет собой сумму ожидаемой ценности первой величины и ожидаемой ценности второй величины.

Математики любят записывать рассуждения такого рода в виде формулы, как мы сделали это с коммутативностью сложения (столько-то рядов с таким-то количеством отверстий – это тоже самое, что столько-то столбцов с таким-то количеством отверстий), написав формулу a × b = b × a. В данном примере, если X и Y – две величины, значение которых нам точно не известно, а E(X) – это сокращение от «ожидаемая ценность Х» (expected value of X), тогда принцип аддитивности можно записать в таком виде:

E(X + Y) = E(X) + E(Y).

Вот как это связано с лотереей. Стоимость всех билетов в отдельно взятом розыгрыше – это сумма денег, выплаченных штатом. И эта стоимость не имеет никакого отношения к неопределенности[176]; это просто сумма денег, переданных в фонд других призовых категорий – в первом из приведенных выше примеров это 3,8 миллиона долларов. Ожидаемая ценность твердой суммы в размере 3,8 миллиона долларов составляет ровно столько, сколько вы ожидаете, – 3,8 миллиона долларов.

В этом примере в день перераспределения призового фонда в розыгрыше принимал участие один миллион игроков. Принцип аддитивности гласит, что сумма значений ожидаемой ценности всех 1,5 миллиона лотерейных билетов равна ожидаемой ценности общей стоимости всех билетов, или 3,8 миллиона долларов. Однако все билеты (во всяком случае до того, как вы узнаете выигрышные номера) имеют одну и ту же стоимость. Таким образом, вы суммируете 1,5 миллионов копий одного и того же числа и получаете 3,8 миллиона долларов; этим числом должно быть 2,53 доллара. Ваша ожидаемая прибыль на лотерейный билет составляет 53 цента, то есть более 25 % от вашей ставки – неплохая прибыль для лотереи, в которую, как принято считать, играют только простофили.

Принцип аддитивности настолько привлекателен на интуитивном уровне, что на первый взгляд может показаться, будто он очевиден. Однако, подобно определению цены пожизненных аннуитетов, он далеко не очевиден! Чтобы понять это, подставьте вместо ожидаемой ценности другие понятия – и вся схема нарушится. Возьмем хотя бы такое утверждение:

Самое вероятное значение суммы набора величин равно сумме самых вероятных значений каждой из этих величин.

Но это абсолютно ошибочное утверждение. Предположим, я случайным образом выберу, кому из троих детей оставить наследство. Самое вероятное значение доли каждого ребенка равно нулю, поскольку вероятность того, что я лишу его наследства, – два из трех. Однако самое вероятное значение суммы всех трех долей (по существу, единственно возможное значение) равно стоимости всего моего состояния.

Нам придется прервать историю об университетских умниках и их игре в лотерею, поскольку, раз уж мы заговорили об аддитивности ожидаемой ценности, я не могу не рассказать вам о самом красивом из всех известных мне доказательств, основанном на той идее.

Все начинается с игры франк-карро, которая, как и генуэзская лотерея, напоминает о том, что в старые времена люди играли практически на всё. Для игры франк-карро необходима монета и пол с квадратной плиткой. Вы бросаете монету на пол и заключаете пари: упадет ли она так, чтобы полностью поместиться в пределах одной плитки или прикоснется к одному из краев плитки. Примерный перевод французского словосочетания franc-carreau на английский язык – «squarely within the square»{166} («целиком внутри квадрата»), а в качестве монеты, которая использовалась в этой игре, выступал не франк (его тогда еще не было в обращении), а экю.

Жорж Луи Леклерк, граф де Бюффон был провинциальным аристократом из Бургундии, у которого научные амбиции возникли еще в раннем возрасте{167}. Бюффон поступил в юридическую школу, возможно, для того чтобы вслед за своим отцом стать государственным чиновником, но сразу после окончания учебы отказался от карьеры в области права в пользу науки. В возрасте двадцати семи лет, в 1733 году, он уже был готов представить свою кандидатуру на членство в Королевской академии наук в Париже.

Впоследствии Бюффон прославился как естествоиспытатель, написав объемный труд Histoire Naturelle Générale et Particulière («Всеобщая и частная естественная история»)[177] – всего сорок четыре тома, в которых была сформулирована его теория, призванная объяснить происхождение жизни так же просто и всеобъемлюще, как теория Ньютона объяснила движение и силу. Однако на Бюффона, который еще был тогда молодым человеком, большое влияние оказала короткая встреча и долгая переписка со швейцарским математиком Габриелем Крамером[178], поэтому его интересы были сосредоточены в области чистой математики; именно в качестве математика он предложил свою кандидатуру в Королевскую академию наук.

В работе, представленной Бюффоном, речь шла об оригинальном совмещении двух областей математики, которые ранее считались разрозненными: геометрии и теории вероятностей. Работа была посвящена не важным вопросам механики движения планет по их орбитам или экономике великих государств, а скромной игре франк-карро. Бюффон[179] поставил вопрос так: какова вероятность того, что монета упадет так, чтобы полностью находиться в пределах одной плитки? И каким должен быть размер напольной плитки, чтобы игра была справедливой для обоих игроков?

Вот как Бюффон сделал это. Если радиус монеты равен r, а квадратная плитка имеет сторону длиной L, тогда монета касается кромки, когда ее центр попадает внутрь меньшего квадрата со стороной L − 2r:

Площадь меньшего квадрата равна (L – 2r)², тогда как площадь большего квадрата – L². Следовательно, если вы заключаете пари на приземление монеты «прямо внутри квадрата», ваш шанс выиграть равен (L – 2r)² / L². Чтобы игра была справедливой, этот шанс должен быть равен 1/2, а это означает, что

(L – 2r)² / L² = 1/2.

Бюффон решил это уравнение (вы также можете его решить, если вам это интересно) и обнаружил, что игра франк-карро может быть справедливой только в случае, если сторона плитки в 4 + 2√2 раза больше радиуса монеты – коэффициент, равный почти 7. Это было интересно с концептуальной точки зрения, поскольку сочетание вероятностных рассуждений с геометрическими фигурами было совершенно новым, но эта задача была совсем не трудной, и Бюффон знал, что не она будет пропуском в академию. Поэтому он решил двигаться дальше:

«А если подбрасывать в воздух не круглую монету вроде экю, но предмет совсем иной формы: скажем, взять квадратик старинного испанского пистоля, или иглу, или какую палочку, или что еще, – тогда задача потребует немного больше геометрии»{168}.

Это было преуменьшение: задача об игле – это задача, благодаря которой имя Бюффона помнят в математических кругах даже в наше время. Позвольте мне более подробно объяснить, что именно сделал Бюффон.

Задача Бюффона об игле. Предположим, у вас есть деревянный пол, сложенный из длинных узких планок, а также игла, длина которой в точности равна ширине планок. Бросьте эту иглу на пол. Какова вероятность того, что игла пересечет одну из щелей, разделяющих планки?

Вот почему это столь щекотливая задача. Когда вы бросаете на пол экю, не имеет значения, в какую сторону смотрит отчеканенный на ней Людовик XV. Круг выглядит одинаково во всех направлениях, а значит, вероятность того, что монета пересечет край плитки, не зависит от ее ориентации.

Игла Бюффона – совсем другая история. Игла, направленная почти параллельно планкам, вряд ли пересечет край планки.

Однако, если игла упадет поперек планок, она почти наверняка пересечет щель между ними.

Игра франк-карро в высшей степени симметрична; если говорить в специальных терминах, она инвариантна относительно поворота монеты. В задаче об игле такая симметрия нарушена, что делает задачу гораздо более трудной: необходимо отслеживать не только место, в котором окажется центр иглы после падения, но и направление, в котором падает игла.

В двух крайних случаях вероятность того, что игла пересечет край планки, равна 0 (если игла расположена параллельно планке) или 1 (если игла расположена перпендикулярно планке). Следовательно, вы могли бы разделить разность пополам и выдвинуть предположение, что игла пересекает край планки ровно в половине случаев.

Однако это ошибочный вывод: на самом деле игла пересекает край гораздо чаще, чем падает полностью в пределах одной планки. Задача Бюффона об игле имеет неожиданное и очень красивое решение: эта вероятность составляет 2 / π, или около 64 %. Почему π, если в задаче нет никакой окружности? Бюффон нашел это решение, воспользовавшись несколько замысловатым доказательством, связанным с площадью под кривой с названием циклоида. Для того чтобы вычислить эту площадь, требуется задействовать некоторые элементы математического анализа – ничего такого, с чем не справился бы второкурсник, изучающий математику, но все же в этом нет ничего познавательного.

Однако существует еще одно решение этой задачи, которое нашел Жозеф Эмиль Барбье более чем через столетие после зачисления Бюффона в Королевскую академию наук. В этом решении формального исчисления не требуется; на самом деле вообще не нужны никакие расчеты. Доказательство, хотя и немного сложное, не требует ничего, кроме арифметической и базовой геометрической интуиции. А самое важное во всем этом – аддитивность ожидаемой ценности!

Прежде всего необходимо сформулировать задачу Бюффона в терминах ожидаемой ценности. Мы можем задать такой вопрос: чему равно ожидаемое количество краев планок, которые пересечет игла? Бюффон пытался вычислить вероятность p того, что брошенная игла пересечет край планки. Таким образом, существует вероятность 1 − p, что игла не пересечет ни одного края планки. Но если все же игла пересечет планку, то только одну[180]. Таким образом, ожидаемое количество пересечений можно получить так же, как мы обычно вычисляем ожидаемую ценность: определив сумму каждого возможного количества пересечений, умноженного на вероятность наблюдения этого количества пересечений. В данном случае существует только два значения вероятности: 0 (наблюдаемое с вероятностью 1 − p) и 1 (наблюдаемое с вероятностью p), поэтому мы вычислим сумму

(1 – p) × 0 = 0

и

p × 1 = p

и получим в итоге p.

Таким образом, ожидаемое количество пересечений – это просто p, то же самое значение, которое вычислил Бюффон. Создается впечатление, что мы так и не продвинулись дальше. Как мы можем найти то загадочное число?

Когда вы сталкиваетесь с математической задачей, которую не знаете, как решить, у вас есть два основных варианта действий. Задачу можно либо упростить, либо сделать сложнее.

Первый вариант кажется более приемлемым: вы используете вместо этой задачи более простую и решаете ее в расчете на то, что понимание, обретенное вами в процессе решения более легкой задачи, поможет вам глубже проникнуть в суть более сложной задачи, которую вы пытаетесь решить. Именно это делают математики каждый раз, когда моделируют сложную реальную систему с помощью отлаженного, безупречного математического механизма. Иногда этот подход применяется весьма успешно: если вы отслеживаете траекторию движения тяжелого реактивного снаряда, вы хорошо справитесь с задачей, не принимая во внимание сопротивление воздуха и считая, что движущееся тело подвержено только постоянному воздействию силы тяжести. В других случаях ваше упрощение достигает такого уровня, что устраняет интересные аспекты задачи, как в старом анекдоте о физике, перед которым поставили задачу оптимизировать процесс производства молочных продуктов, и он без каких-либо сомнений произносит: «Возьмем сферическую корову…»

В этом духе кто-то может попытаться почерпнуть какие-либо идеи в отношении иглы Бюффона посредством решения более простой задачи с игрой франк-карро: «Возьмем круглую иглу…» Однако не совсем понятно, какую полезную информацию можно извлечь из задачи с монетой, чья вращательная симметрия лишает задачу об игле того самого свойства, которое делает ее интересной.

Вместо этого мы используем другую стратегию – стратегию, использованную Барбье: сделаем задачу более сложной. Это звучит не очень обнадеживающе. Но, когда такая стратегия работает, она работает как магическая формула.

Давайте начнем с малого. Что если мы зададим более общий вопрос: чему равно ожидаемое количество пересечений иглы с краями планки, если длина иглы составляет две ширины планки? Это вопрос кажется более сложным, поскольку теперь у нас есть три возможных результата вместо двух. Игла может упасть, полностью расположившись в пределах одной планки, или может пересечь один край планки, или может пересечь два края планки. Следовательно, чтобы вычислить ожидаемое количество пересечений, нам как будто придется вычислить вероятность трех отдельно взятых событий вместо двух.

Однако благодаря аддитивности эта более сложная проблема на самом деле легче, чем вам кажется. Нарисуйте точку посредине длинной иглы и обозначьте две половины цифрами 1 и 2, как на рисунке.

В таком случае ожидаемое количество пересечений длинной иглы равно сумме ожидаемого количества пересечений половины иглы 1 и ожидаемого количества пересечений половины иглы 2. В алгебраических терминах это можно сформулировать так: если Х – это количество краев, пересеченных половиной иглы 1, а Y – количество краев, пересеченных половиной иглы 2, тогда общее количество краев, пересеченных длинной иглой, равно X + Y. Однако каждая половина длинной иглы – это и есть игла той длины, которую изначально рассматривал Бюффон; следовательно, каждая из этих половинок иглы в среднем пересекает края планки p раз. Другими словами, E(X) и E(Y) равны p. Таким образом, ожидаемое количество пересечений целой иглы, E(X+Y), равно сумме E(X) + E(Y), что равно p + p, или 2p.

Такая же логика применима к игле, длина которой в три, в четыре или в сотню раз больше ширины планки. Если длина иглы равна N (а мы теперь берем ширину планки в качестве единицы измерения), ожидаемое количество ее пересечений равно Np.

Такой подход работает как в случае коротких, так и в случае длинных игл. Предположим, я бросаю иглу, длина которой составляет 1/2 единицы, или половину ширины планки. Поскольку иглу Бюффона длиной в 1 единицу можно разделить на две иглы длиной 1/2 единицы, ожидаемая величина p должна быть в два раза больше ожидаемого количества пересечений иглы длиной 1/2 единицы. Следовательно, ожидаемое количество пересечений иглы длиной 1/2 единицы равно (1/2)p. По существу, формула

ожидаемое количество пересечений иглы длиной N = Np

верна для любого положительного действительного числа N, будь то большого или малого.

(Здесь не стоит приводить строгое доказательство того, что представленная выше формула применима и в случае, когда N – некое страшное иррациональное число, скажем квадратный корень из 2, потому что для этого понадобятся формальные математические выкладки. Но я даю честное слово, что основные идеи доказательства Барбье – те, что я привел.)

Теперь необходимо проанализировать задачу под новым, так сказать, углом, согнув иглу.

Это самая длинная игла из всех, с которыми мы до сих пор имели дело: ее общая длина равна 5 единицам. Однако эта игла согнута в двух местах, а два ее края я сомкнул, чтобы образовать треугольник. Прямые сегменты иглы имеют длину 1 единица, 2 единицы и 2 единицы; следовательно, ожидаемое количество пересечений каждого сегмента равно p, 2p и 2p соответственно. Количество пересечений всей иглы равно сумме количества пересечений каждого сегмента. Таким образом, принцип аддитивности говорит нам, что ожидаемое количество пересечений целой иглы составляет:

p + 2p + 2p = 5p.

Другими словами, формула

ожидаемое количество пересечений иглы длиной N = Np

применима и в случае согнутых игл.

Вот одна из таких игл.

Вот еще одна.

И еще одна.

Мы уже видели такие рисунки. Те самые рисунки, которые две тысячи лет назад использовали Архимед и Евдокс, когда разрабатывали метод исчерпывания. Последний рисунок похож на окружность с диаметром в одну единицу. Но на самом деле это многоугольник, состоящий из 65 536 крохотных иголок. Ваши глаза не заметят разницы, так же как не заметит ее и пол. Это означает, что ожидаемое количество пересечений окружности диаметром в одну единицу в точности такое же, что и ожидаемое количество пересечений 65536-угольника. А согласно правилу согнутой иглы, это количество равно Np, где N – это периметр многоугольника. Чему равен этот периметр? Он должен быть в точности таким же, что и длина окружности; радиус окружности равен 1/2 единицы, а значит, длина этой окружности равна π. Следовательно, ожидаемое количество пересечений окружности с краями планки равно πp.

Как вы воспринимаете такое усложнение задачи? Не кажется ли вам, что мы делаем задачу все более абстрактной и все более обобщенной, даже не ответив на основной вопрос: что такое p?

Так вот, представьте себе: мы только что вычислили это значение.

Ведь вопрос теперь звучит так: сколько пересечений делает окружность? Совершенно неожиданно задача, казавшаяся сложной, становится простой. Симметрия, которую мы потеряли, когда перешли от круга к игле, восстановлена посредством сгибания иглы в кольцо. А это существенно упрощает задачу. Не имеет значения, куда упадет круг, – он пересекает линии на полу ровно два раза.

Таким образом, ожидаемое количество пересечений равно 2; оно же равно πp. Следовательно, мы можем сделать вывод, что p = 2 / π, как и говорил Бюффон. На самом деле представленная выше аргументация применима к любой игле, какой бы многосторонней или изогнутой она ни была: ожидаемое количество пересечений равно Lp, где L – это длина иглы в единицах, равных ширине планки. Бросьте на кафельный пол груду спагетти – и я смогу точно сказать, какое число пересечений линий с макаронинами следует ожидать. Математические остряки называют этот обобщенный вариант задачей Бюффона о лапше.

Доказательство Барбье напоминает мне слова Пьера Делиня, специалиста по алгебраической геометрии, сказанные им о своем учителе Александре Гротендике: «Кажется, будто ничего не происходит, и все-таки в итоге получается в высшей степени нетривиальная теорема»{169}.

У людей непосвященных порой складывается впечатление, что математика сводится к применению все более и более мощных инструментов для все более глубокого погружения в неизведанное, подобно тому как строители тоннелей пробиваются сквозь скалу с помощью все более мощных взрывчатых веществ. Но это только один из возможных способов. Александр Гротендик, который в 1960–1970-х годах переделал большую часть чистой математики по своему разумению, смотрел на это иначе:

Неизведанное – это камень в море, который препятствует нашему развитию. Мы можем попытаться воткнуть динамит в щели, взорвать его и повторять все это до тех пор, пока камень не развалится на части, как сделал Бюффон со своими сложными вычислениями. Или можно придерживаться более созерцательного подхода, позволяющего вашему уровню понимания постепенно и спокойно повышаться, пока через какое-то время то, что раньше казалось препятствием, не исчезнет под спокойной водой.

Математика в современном ее виде представляет собой тонкое взаимодействие между монашеским созерцанием и взрывами динамита.

Барбье опубликовал свое доказательство теоремы Бюффона в 1860 году, когда ему исполнился двадцать один год и он был многообещающим студентом Высшей нормальной школы (École normale supérieure) в Париже. В 1865 году, оказавшись на грани тяжелого нервного срыва, он уехал из города, не оставив нового адреса. Ни один математик больше не встречал Барбье, пока в 1880 году старый учитель Жозеф Бертран не нашел его в одной из психиатрических лечебниц. Что касается Гротендика, в 1980-х годах он также оставил академическую математику и живет сейчас в селинджеровском уединении где-то в Пиренеях. Никто не знает, над какими математическими задачами он работает, если вообще работает. Ходят слухи, что ученый просто пасет овец[181].

Эти истории перекликаются с популярным мифом о математике: что она сводит с ума или сама является одной из разновидностей помешательства. Дэвид Фостер Уоллес, самый математически образованный из всех современных прозаиков (однажды он сделал перерыв в написании художественных произведений, чтобы написать целую книгу о теории трансфинитных множеств!), называл этот миф «математической мелодрамой» и описывал его главного героя как «человека типа Прометея и Икара, высший гений которого – это также его гордыня и пагубный порок». В таких фильмах, как A Beautiful Mind («Игры разума)», Proof («Доказательство») и Pi («Пи»), математика используется в качестве символа для обозначения одержимости и бегства от реальности. А в детективе Скотта Туроу Presumed Innocent («Презумпция невиновности»)[182] сюжет построен на том, что жена главного героя, математик, оказалась психически больным убийцей. (В книге присутствует явный намек на то, что именно попытки приспособить разум женщины к математике подтолкнули убийцу к безумию.) Одну из последних версий этого мифа можно найти в романе Марка Хэддона The Curious Incident of the Dog in the Night-Time («Загадочное ночное убийство собаки»)[183], в котором математический талант проявляется как одно из расстройств аутического спектра.

Уоллес отвергает эту мелодраматическую картину психической жизни математиков, и я согласен с ним. В реальной жизни математики – это обычные люди, не более безумные, чем все остальные. На самом деле мы не так часто уходим в уединение, чтобы вести одинокие битвы в суровых абстрактных мирах. Математика скорее укрепляет разум, а не напрягает его до предела. Как бы там ни было, я пришел к выводу, что в моменты сильных эмоциональных переживаний ничто не успокаивает поднимающуюся в душе боль лучше, чем математическая задача. Математика, подобно медитации, помогает установить прямой контакт со Вселенной, которая больше вас, которая была до вас и останется после вас. Я мог бы сойти с ума без математики.

Но вернемся к ситуации в Массачусетсе.

Чем больше людей играли в лотерею Cash WinFall, тем менее рентабельной она становилась. Каждый крупный покупатель, вступавший в игру, вынужден был делить выигрыши на большее количество долей. Джеральд Селби рассказал мне, что в какой-то момент Юран Лу из Random Strategies предложил, чтобы они с группой Селби по очереди играли в дни перераспределения призового фонда, что обеспечило бы каждой группе более высокую прибыль{171}. Селби перефразировал предложение Юрана так: «Ты крупный игрок, я крупный игрок; мы не можем контролировать других игроков, которые как блохи в волосах». Благодаря своему сотрудничеству Селби и Лу могли бы контролировать хотя бы друг друга. Этот план имел смысл, но Селби на него не согласился. Он и без того спокойно использовал уловку в игре, поскольку ее правила были общедоступными и любой другой игрок имел возможность ознакомиться с ними точно так же, как он. Однако сговор с другими игроками (хотя и не совсем понятно, было ли это нарушением правил проведения лотереи) слишком напоминал мошенничество. В итоге три группы игроков договорились о равном участии в каждом розыгрыше лотереи с перераспределением призового фонда. По оценкам Селби, с учетом того, что при каждом таком розыгрыше крупные игроки покупали от 1,2 до 1,4 миллиона билетов, ожидаемая ценность таких билетов была на 15 % больше их цены.

Это по-прежнему была неплохая прибыль. Однако такая ситуация не удовлетворяла Харви и его сообщников. Жизнь профессионального победителя лотерей – вовсе не сплошной отдых, как вы, возможно, думаете. Для Харви руководство Random Strategies было полноценной работой, которая не приносила ему особого удовлетворения. Накануне розыгрыша с перераспределением призового фонда необходимо было купить и вручную заполнить десятки тысяч лотерейных билетов, а в день розыгрыша Харви приходилось организовывать действия многочисленных членов команды, которые сканировали все эти карточки в магазинах, согласившихся обрабатывать мегапокупки команды. А после объявления выигрышных номеров наступал длинный период кропотливой работы по отсеиванию выигрышных билетов от ничего не стоящих проигравших – и не для того, чтобы выбросить проигравшие билеты в мусор. Харви складывал их в коробки для хранения, поскольку, если вы часто выигрываете в лотерею, налоговое управление часто вас проверяет, поэтому и Харви необходимо было иметь возможность подтвердить свою игровую активность документально. (Джеральд Селби до сих пор хранит двадцать с чем-то корзин для белья, наполненных проигравшими лотерейными билетами на сумму около 18 миллионов долларов; эти корзины занимают пристройку под навесом за его домом.) Над выигрышными билетами также нужно было потрудиться. Каждый члены группы должен был заполнять индивидуальную декларацию о доходах по каждому розыгрышу, какой бы маленькой ни была его доля. Все это еще кажется вам увлекательным?

По оценкам генерального инспектора, группа Random Strategies за семилетний период существования лотереи Cash WinFall заработала на ней 3,5 миллиона долларов до вычета налогов. Неизвестно, какая часть этих денег ушла самому Джеймсу Харви, но мы точно знаем, что он купил новый автомобиль.

Это был подержанный Nissan Altima 1999 года.

Хорошие времена, когда на раннем этапе лотереи Cash WinFall можно было без труда удвоить вложенные деньги, остались в не таком уж далеком прошлом, и Харви, разумеется, хотел туда вернуться. Но как это сделать, учитывая, что семья Селби и Doctor Zhang Lottery Club покупали сотни тысяч лотерейных билетов на каждый розыгрыш с перераспределением призового фонда?

Другие крупные игроки брали перерыв только в одном случае: когда размер джекпота не позволял запустить процесс перераспределения призового фонда. Однако Харви также пропускал такие розыгрыши по той же веской причине: в таких случаях играть в лотерею было бесполезно.

В пятницу 13 августа 2010 года был объявлен джекпот на розыгрыш в следующий понедельник в размере 1,675 миллиона долларов, существенно ниже порога перераспределения суммы джекпота. Группы Чжана и Селби бездействовали в ожидании повышения джекпота до уровня перераспределения. Но группа Random Strategies затеяла другую игру. На протяжении предыдущих месяцев группа спокойно подготовила сотни тысяч дополнительных билетов в ожидании дня, когда запланированный джекпот окажется близким к 2 миллионам долларов, но все-таки не достигнет этого уровня. И вот этот день настал. Во время выходных члены группы Random Strategies объездили весь Большой Бостон, купив больше билетов, чем кто-либо покупал раньше, всего около 700 тысяч. С учетом неожиданного поступления большого объема денежных средств от Random Strategies сумма джекпота возросла в понедельник 16 августа до 2,1 миллиона долларов. Это был розыгрыш с перераспределением призового фонда, день выигрышей для игроков в лотерею, и никто кроме студентов MIT не знал, что это будет именно такой розыгрыш. Почти 90 % лотерейных билетов, проданных на этот розыгрыш, принадлежали команде Харви. Эта группа оказалась у денежного крана совершенно одна. А когда розыгрыш завершился, группа Random Strategies заработала 700 тысяч долларов на вложенных 1,4 миллиона – отличная прибыль в размере 50 %.

Этот трюк не мог сработать дважды. Как только организаторы лотереи поняли, что произошло, они внедрили систему раннего оповещения, которая должны была уведомлять руководство о признаках того, что одна из команд пытается самостоятельно поднять сумму джекпота до уровня перераспределения призового фонда. Когда в конце декабря группа Random Strategies снова предприняла такую попытку, руководство лотереи было готово к этому. Утром 24 декабря, за три дня до розыгрыша, руководитель группы по организации лотереи получил от своих подчиненных электронное письмо, в котором было сказано следующее: «Парни Cash WinFall снова пытаются устроить перераспределение призового фонда». Если Харви сделал ставку на то, что офис лотереи во время праздников работать не будет, он ошибся: ранним рождественским утром лотерея изменила запланированную сумму джекпота и объявила всему миру, что будет проведен розыгрыш с перераспределением призового фонда. Другие группы, которые еще не пришли в себя после августовского промаха, отменили свои рождественские каникулы и купили сотни тысяч билетов, вернув прибыль на нормальный уровень.

Так или иначе, игра почти исчерпала себя. Однако один знакомый Андреа Эстес, репортера Boston Globe, просматривая список победителей, публикуемый организаторами лотереи, обратил внимание на нечто интересное: в нем было много победителей лотереи в Мичигане, и все они выигрывали в одной лотерее – Cash WinFall{172}. Открытие приятеля заставило саму Эстес задуматься: что бы все это могло значить? Как только репортер начала задаваться таким вопросом, вся картина происходящего прояснилась довольно быстро. И уже 31 июля 2011 года на первой странице Globe появилась сенсационная статья Андреа Эстес и Скотта Аллена, в которой шла речь о том, как три группы игроков монополизировали выигрыши в лотерее Cash WinFall{173}. В августе лотерея изменила правила WinFall, установив максимальный суточный объем продаж лотерейных билетов для одной розничной точки в размере 5000 долларов, по сути заблокировав этим группам возможность покупать большое количество лотерейных билетов. Однако ущерб уже был нанесен. Если смысл лотереи Cash WinFall был в том, чтобы казаться более привлекательной для обычных игроков, то теперь она стала бессмысленной. Последний розыгрыш лотереи (как и следовало ожидать, с перераспределением призового фонда) состоялся 23 января 2012 года.

Джеймс Харви был не первым, кто воспользовался просчетами в организации лотереи штата. Группа Джеральда Селби заработала миллионы долларов на лотерее WinFall в штате Мичиган, пока власти штата не узнали об этом и не закрыли лотерею в 2005 году. И эта практика появилась гораздо раньше. В начале XVIII столетия Франция финансировала правительственные расходы за счет продажи облигаций, но процентные ставки по этим облигациям были недостаточно высокими, чтобы стимулировать продажи{174}. Чтобы повысить привлекательность облигаций, правительство привязало к их продаже лотерею. Каждая облигация обеспечивала ее держателю право купить билет на участие в лотерее с главным призом в размере 500 тысяч ливров – достаточно денег, чтобы можно было жить на них десятки лет. Однако заместитель министра финансов Мишель ле Пелетье де Фортс, который придумал план с лотереей, небрежно выполнил расчеты: выигрыши, которые предстояло выплачивать, существенно превышали сумму денег, которую можно было выручить за счет продажи лотерейных билетов. Другими словами, эта лотерея, подобно лотерее Cash WinFall в дни перераспределения призового фонда, имела положительную ожидаемую ценность для игроков, и любой, кто купил бы достаточное количество билетов, непременно получил бы большой выигрыш.

Единственным человеком, который это понял, оказался математик и путешественник Шарль Мари де ла Кондамин. Подобно тому как это сделал Харви почти три столетия спустя, он собрал своих друзей, организовав группу для покупки лотерейных билетов. Одним из этих друзей был молодой писатель Франсуа Мари Аруэ, больше известный как Вольтер. Хотя Вольтер не внес никакого вклада в математическую основу этой схемы, он оставил в свой след. Игроки в лотерею должны были написать на своем билете девиз, который необходимо было прочитать вслух, если билет выигрывал джекпот. Вольтер в свойственной ему манере увидел в этом прекрасную возможность для сочинения афоризмов и писал на своих билетах такие дерзкие лозунги, как «Все люди равны!» и «Да здравствует Мишель Пелетье де Фортс!», которые можно было огласить перед публикой, когда группа выигрывала приз.

Со временем представители власти все поняли и прикрыли лотерею, но это произошло уже после того, как Кондамин и Вольтер вытянули у государства такую сумму, что стали богатыми людьми на всю оставшуюся жизнь. Неужели вы думали, что Вольтер зарабатывал на жизнь написанием прекрасно составленных эссе и очерков? Тогда, как и теперь, это не позволяло разбогатеть.

Во Франции XVIII столетия не было ни компьютеров, ни телефонов, ни любых других быстрых способов передачи информации о том, кто и где покупает лотерейные билеты. Это объясняет, почему правительству понадобилось несколько месяцев, чтобы обнаружить схему Вольтера и Кондамина. Чем же могли оправдаться власти штата Массачусетс? Статья в Globe была опубликована через шесть лет после того, как организаторы лотереи впервые обратили внимание на то, что студенты покупают необычно большое количество лотерейных билетов в супермаркетах возле MIT. Разве они могли не знать о том, что происходит?

Все просто: на самом деле властям штата было известно, что происходит.

Им даже не нужно было ничего выяснять, поскольку Джеймс Харви пришел в офис лотереи в Брейнтри в январе 2005 года, еще до того как его группа сделала свою первую ставку и до того как у этой группы появилось собственное название. План Харви казался слишком хорошим, чтобы быть правдой; дело было настолько беспроигрышным, что не могло не быть какого-либо регуляторного барьера на пути к реализации плана. Харви отправился в офис лотереи, чтобы выяснить, соответствует ли его схема с покупкой большого количества лотерейных билетов правилам проведения лотереи. Неизвестно, о чем шла речь во время того разговора, но скорее всего его суть сводилась к следующему: «Конечно же, парень, попробуй». Всего через несколько недель Харви и его друзья сделали свою первую большую ставку.

Вскоре после этого в игру вступил и Джеральд Селби. Он рассказал мне, что в августе 2005 года встретился с организаторами лотереи в Брейнтри, чтобы поставить их в известность, что его компания из Мичигана будет покупать лотерейные билеты в Массачусетсе. Поэтому существование крупных игроков не было для штата секретом.

Но с какой стати властям Массачусетса позволять Харви, доктору Чжану и семье Селби выуживать у штата деньги миллионами? Какое казино позволило бы игрокам обыгрывать себя неделя за неделей, не предпринимая никаких действий?

Чтобы ответить на эти вопросы, необходимо глубже проанализировать, как на самом деле работает лотерея. Из каждых 2 долларов, вырученных от продажи лотерейного билета, штат Массачусетс оставлял себе 80 центов. Часть этих денег использовалась для выплаты комиссионных магазинам, которые продавали билеты, а также на организацию самой лотереи, а остальное передавалось в муниципальные органы власти городов по всему штату. В 2011 году почти 900 миллионов долларов ушли на оплату работы полицейских, финансирование школьных программ, а также на залатывание других дыр в муниципальном бюджете.

Оставшиеся 1,2 доллара передавались в призовой фонд, который распределялся среди игроков. Но вспомните о тех расчетах, которые мы выполнили в самом начале. В обычный день ожидаемая ценность лотерейного билета составляла всего 80 центов, а это означало, что штат в среднем возвращал игрокам по 80 центов на каждый проданный билет. Что все-таки происходит с остальными 40 центами? Здесь и вступает в игру перераспределение призового фонда. Возврат игрокам 80 центов на каждый билет не приводит к истощению призового фонда, поэтому джекпот каждую неделю увеличивается до тех пор, пока не достигнет уровня 2 миллиона долларов, после чего будет направлен на увеличение размера призов других категорий. Именно в этот момент лотерея меняет свою структуру; при этом открывается шлюз, через который все накопленные деньги перетекают в руки тех, кто окажется достаточно умным, чтобы подождать.

На первый взгляд может показаться, что в день такого розыгрыша штат теряет деньги, но это означало бы недостаточно глубоко понимать происходящее. Все эти миллионы никогда не принадлежали штату Массачусетс; они изначально были выделены на выплату призов. Штат забирает свои 80 центов с каждого проданного билета, а остальное возвращает. Чем больше билетов продано, тем больше доход штата. Штату все равно, кто выиграет. Для штата важно только то, сколько людей играет.

Таким образом, когда группы игроков обналичивали большую прибыль от билетов, купленных в день розыгрыша с перераспределением призового фонда, они забирали эти деньги не у штата, а у других игроков, особенно тех, которые столь неудачно решили сыграть в лотерею в те дни, когда перераспределения фонда не было. Эти группы игроков не обыгрывали казино. Они сами были этим казино.

Подобно другим операторам казино в Лас-Вегасе, эти крупные игроки не были полностью застрахованы от невезения. У любого игрока в рулетку может наступить полоса удачи и он выиграет у казино много денег. То же самое могло произойти и с группами игроков в лотерею, если обычный игрок угадал бы все шесть чисел, тем самым оставив в призовом фонде джекпота все те деньги, которые должны были уйти на увеличение размера призов других категорий. Однако Харви и другие крупные игроки внимательно все просчитали и пришли к выводу, что такое развитие событий маловероятно и его можно не принимать в расчет. За всю историю лотереи Cash WinFall только однажды кто-то выиграл джекпот в день розыгрыша с перераспределением призового фонда. Если вы делаете достаточно ставок со смещением вероятности выигрыша в вашу пользу, одна только величина вашего преимущества перевешивает любое невезение, с которым вы можете столкнуться.

Безусловно, это делает игру в лотерею менее волнующей. Однако для Харви и других крупных игроков смысл все этой игры был не в эмоциональном подъеме. Их подход подчинялся простому принципу: если азартная игра вызывает волнение, значит, вы ведете ее неправильно.

Если в качестве казино выступали группы игроков, то какая роль досталась штату? Штат выступал в роли… штата. Подобно тому как штат Невада взимает с казино на Стрип[184] процент от полученной ими прибыли в обмен на поддержание инфраструктуры и регулирование, обеспечивающее процветание их бизнеса, штат Массачусетс получал свою постоянную долю от денег, которые загребали группы крупных игроков. Когда группа Random Strategies купила 700 тысяч лотерейных билетов, чтобы запустить процесс перераспределения призового фонда, города штата Массачусетс получили 40 центов из каждого билета, то есть всего 560 тысяч долларов. Штаты не любят играть в азартные игры, какой бы ни была вероятность выигрыша. Штаты любят взимать налоги. По существу, именно это и делала лотерея штата Массачусетс, причем далеко не безуспешно. Согласно отчету генерального инспектора штата, лотерея Cash WinFall обеспечила штату доход в размере 120 миллионов долларов. Когда вы уходите с добычей, которая выражается девятизначным числом, вряд ли вы будете чувствовать себя жертвой.

Так кто же все-таки стал жертвой? Очевидный ответ – другие игроки. Ведь это именно их деньги перекачивались в карманы крупных игроков. Однако генеральный инспектор штата Салливан завершает свой отчет в тоне, который предполагает, что в данной ситуации никто не стал жертвой обмана:

Салливан прав в том, что присутствие Харви и других крупных игроков не повлияло на вероятность того, что выигрышным станет билет другого игрока. Однако он совершает ту же ошибку, что и Адам Смит: вопрос по существу состоит не просто в том, с какой вероятностью вы можете выиграть, но и какова средняя величина ожидаемого выигрыша или проигрыша. Покупка сотен тысяч лотерейных билетов группами игроков существенно увеличила количество частей, на которые необходимо было разделить призовой фонд после перераспределения суммы джекпота, а это делает каждый выигрышный билет менее ценным. В этом смысле группы игроков причиняли ущерб обычным игрокам.

Здесь можно провести аналогию с церковной лотереей. Если почти никто не захочет принять участие в розыгрыше такой лотереи, велика вероятность, что я выиграю аж целый лоток с запеканкой. Когда на розыгрыш лотереи приходит еще сто человек, которые покупают билеты, мои шансы на выигрыш запеканки существенно снижаются. Это может сделать меня несчастным. Но разве это не справедливо? А если я узнаю, что все эти сто человек работают на одного организатора, который очень хочет заполучить всю запеканку и который вычислил, что ценность сотни лотерейных билетов на 10 % ниже розничной цены? В каком-то смысле это непорядочно, но на самом деле я не могу сказать, что чувствую себя обманутым. А с точки зрения сбора денег для церкви, который и является конечной целью всей затеи, лотерея с большим количеством участников гораздо лучше лотереи без участников.

Тем не менее, хотя крупные игроки и не являются мошенниками, в истории с лотереей Cash WinFall есть что-то неприятное. В силу своеобразных правил проведения лотереи штат сделал в итоге нечто равносильное предоставлению Джеймсу Харви лицензии в качестве владельца виртуального казино, месяц за месяцем отнимающего деньги у менее продвинутых игроков. Но значит ли это, что правила были плохими? Секретарь штата Массачусетс Уильям Гэлвин сказал в интервью Globe: «Это частная лотерея, предназначенная для знающих людей. Вопрос в том почему?»{176}

Вернемся к цифрам – и возможный ответ напрашивается сам. Если вы помните, цель перехода к лотерее состояла в том, чтобы повысить популярность лотереи. И в этом организаторы лотереи преуспели – правда, не в такой степени, как планировалось. А если шумиха вокруг Cash WinFall стала бы настолько громкой, что каждый раз, когда наступал день розыгрыша с перераспределением призового фонда, обычные обитатели штата Массачусетс покупали 3,5 миллиона лотерейных билетов? Не забывайте, чем больше людей играет в лотерею, тем больше доля штата, равная 40 %. Как мы рассчитали раньше, если штат продает 3,5 миллиона билетов, он получает хороший доход даже в дни перераспределения призового фонда. При таких обстоятельствах покупка большого количества билетов крупными игроками больше не приносит прибыли: лазейка закрывается, группы игроков распадаются, и все, разве что кроме самих крупных игроков, остаются довольными.

Продажа такого количества лотерейных билетов была рискованным делом, но организаторы лотереи в штате Массачусетс, возможно, считали, что если им повезет, то они все-таки смогут добиться успеха. В каком-то смысле штату тоже нравилось играть в азартные игры.

Лауреат Нобелевской премии по экономике за 1982 год Джордж Стиглер говорил: «Если вы никогда не опаздываете на самолет, значит, вы проводите слишком много времени в аэропорту»{177}. На первый взгляд это утверждение кажется парадоксальным, особенно если недавно вы действительно опоздали на самолет. Когда я застреваю в аэропорту О’Хара и ем там ужасный куриный ролл «Цезарь» за 12 долларов, я редко отдаю должное своему экономическому здравому смыслу. Однако, каким бы необычным ни казалось утверждение Стиглера, вычисление ожидаемой ценности показывает, что оно абсолютно корректно – во всяком случае для тех, кто много летает. Для простоты мы можем проанализировать всего три варианта.

Безусловно, во сколько вам обойдется опоздание на самолет, в значительной мере зависит от ситуации: одно дело – опоздать на челночный рейс до округа Колумбия и сесть на следующий, и совсем другое – опоздать на последний рейс, пытаясь попасть на свадьбу, которая состоится завтра в десять утра. В лотерее как цена билета, так и размер приза выражены в долларах. Гораздо менее очевидно, как можно определить ценность времени, которое мы можем потратить зря, сидя в терминале аэропорта, в сравнении с ценностью опоздания на самолет. И то и другое вызывает раздражение, однако общепризнанной денежной единицы раздражения не существует.

Во всяком случае, такой денежной единицы нет на бумаге. Однако решения необходимо принимать, и экономисты стремятся рассказать нам, как это делать, а значит, необходимо сконструировать некую версию доллара раздражения. В экономике принято считать: если люди действуют рационально, они принимают решения, которые максимально увеличивают полезность этих решений. В жизни все имеет полезность; хорошие вещи, такие как деньги или торт, имеют положительную полезность, тогда как плохие вещи, такие как пальцы ног, которые вы ушибли, и самолеты, на которые вы опоздали, имеют отрицательную полезность. Некоторые даже предпочитают измерять полезность в стандартных единицах под названием «ютили»[185]. Предположим, один час вашего времени дома стоит один ютиль; в таком случае прибытие в аэропорт за два часа до вылета обойдется вам в два ютиля, тогда как прибытие за один час – один ютиль. Опоздание на самолет явно хуже потраченного зря часа времени. Если вы считаете, что опоздание стоит шесть часов вашего времени, тогда можете приравнять упущенный рейс к шести ютилям.

Если мы переведем все в ютили, это позволит нам сравнить ожидаемую ценность трех стратегий.

Вариант 2 – именно тот, который в среднем обойдется вам в самое меньшее количество ютилей, хотя он и сопровождается ненулевой вероятностью опоздания на самолет. Да, надолго застрять в аэропорту – утомительно и неприятно, но разве настолько, чтобы раз за разом проводить лишних полчаса в терминале, чтобы сократить и без того небольшой шанс опоздать на самолет?

Может быть, вы ответите утвердительно. Может быть, вы не любите опаздывать на самолет, и опоздание обойдется вам в двадцать ютилей, а не в шесть. В таком случае представленные выше расчеты изменятся и предпочтительным станет консервативный вариант 1 с ожидаемой ценностью

−2 + 2 % × (−20) = −2,4 ютиля.

Но это не значит, что Стиглер неправ; это просто переводит компромисс в другое место. Вы могли бы сократить вероятность опоздания на самолет еще больше, приехав в аэропорт за три часа до вылета. Тем не менее такой шаг, даже если он сократит вероятность опоздания до нуля, неизбежно обойдется вам в 3 ютиля, а это хуже варианта 1. Если отобразить на графике количество часов, которые вы проводите в аэропорту, вместе с ожидаемой ценностью каждого варианта, получится такая картина.

Но это снова кривая Лаффера! Прибытие в аэропорт за пятнадцать минут до вылета сопряжено с высокой вероятностью опоздания со всей отрицательной полезностью, которую это подразумевает. С другой стороны, прибытие в аэропорт за много часов до вылета также обойдется вам во много ютилей. Оптимальный образ действий находится где-то посередине, но где именно – зависит от вашего восприятия относительных преимуществ опоздания на самолет и напрасной потери времени. Если вы никогда не опаздываете на самолет, значит, ваш выбор смещен влево от оптимальной стратегии. Как и говорит Стиглер, вам следует экономить свои ютили и чаще опаздывать на самолет.

Безусловно, такие расчеты носят сугубо субъективный характер: ваш дополнительный час в аэропорту может обойтись вам не во столько же ютилей, во сколько обходится мне. (Я на самом деле терпеть не могу куриные роллы «Цезарь».) Следовательно, от этой теории нельзя ожидать, что она выдаст вам точное время прибытия в аэропорт или точное количество самолетов, на которые следует опоздать. Результат этих расчетов носит качественный, а не количественный характер. Я не знаю, какова самая подходящая для вас вероятность опоздания на самолет; я знаю только, что она не равна нулю.

Одно предостережение: на практике вероятность, близкую к нулю, бывает трудно отличить от нулевой вероятности. Если вы экономист мирового уровня, часто летающий на самолетах, принятие риска опоздания на самолет в размере 1 % может означать, что вы будете опаздывать на самолет каждый год. Для большинства обычных людей такой низкий уровень риска мог бы означать, что они за всю свою жизнь не опоздают ни на один самолет. Следовательно, если 1 % – приемлемый для вас уровень риска, и если вы всегда успеваете на самолет, то это не значит, что вы делаете что-то неправильно. Точно так же не следует использовать аргумент Стиглера для обоснования следующего утверждения: «Если вы никогда не разбивали машину вдребезги, значит, вы ездите слишком медленно». Стиглер сказал бы: если вы вообще не рискуете разбить свою машину вдребезги, значит, вы ездите слишком медленно, что совершенно верно: единственный способ полностью исключить риск состоит в том, чтобы вообще не ездить!

Аргументация в стиле Стиглера – это полезный инструмент для самых разных задач оптимизации. Рассмотрим хотя бы расточительство правительства: не проходит и месяца, чтобы вы не прочитали в газетах о государственном служащем, который обошел правила системы, чтобы получить завышенную пенсию, или о военном подрядчике, заключившем контракт с Министерством обороны по абсурдно высоким ценам, или о городском агентстве, которое уже давно исчерпало свои функции, но по-прежнему существует за счет населения города благодаря инертности городских властей и влиятельным покровителям. Вот фрагмент из типичной статьи такого рода, опубликованной в Wall Street Journal:

В понедельник генеральный инспектор управления социальной защиты США заявил, что агентство ошибочно выплатило социальных пособий на сумму 31 миллион долларов 1546 американцам, которые предположительно уже скончались.

Генеральный инспектор сказал, что еще больше усугубляет ситуацию тот факт, что информация о смерти каждого из этих людей была подана управлением социальной защиты в государственную базу данных, а это значит, что в агентстве должны были знать о смерти этих американцев и остановить платежи{178}.

Почему мы допускаем существование подобных ситуаций? Ответ прост: устранение потерь имеет свою цену, так же как заблаговременное прибытие в аэропорт имеет свою цену. Обеспечение соблюдения правил и бдительность – это достойные цели, но устранение всех потерь, подобно устранению малейшей вероятности опоздать на самолет, влечет за собой затраты, которые перевешивают преимущества. Как отметил блогер (и в прошлом участник математических олимпиад) Николас Бодро, 31 миллион долларов составляет всего 0,004 % от общей суммы социальных пособий, выплачиваемых управлением социальной защиты за год{179}. Другими словами, агентство уже и так прекрасно справляется с задачей получения информации о том, кто жив, а кто покинул этот мир. Попытки еще более эффективно проводить это различие с целью устранения последних немногочисленных ошибок могут обойтись очень дорого. Если мы хотим подсчитать количество ютилей, мы не должны спрашивать: «Почему мы зря тратим деньги налогоплательщиков?» Вопрос следует ставить так: «Какова разумная сумма денег налогоплательщиков, которую допустимо потратить зря?» Перефразируя Стиглера, можно сказать следующее: если ваше правительство совсем не транжирит, вы тратите слишком много времени на то, чтобы бороться с правительственным транжирством.

Одним из первых ученых, отчетливо представлявших себе ожидаемую ценность, был Блез Паскаль. Пытаясь найти ответ на вопросы, которые поставил ему любитель азартных игр Антуан Гомбо (называвший себя кавалером де Мере), Паскаль потратил вторую половину 1654 года на переписку с Пьером Ферма, пытаясь понять, какие ставки в случае многократного повторения принесут прибыль в долгосрочной перспективе, а какие приведут к разорению. Если говорить в современных терминах, он хотел понять, какие ставки имеют положительную ожидаемую ценность, а какие отрицательную. Принято считать, что эта переписка между Паскалем и Ферма положила начало теории вероятностей.

Вечером 23 ноября 1654 года Паскаль, уже после своего обращения в веру, пережил сильный мистический опыт, который изложил так, как мог:

Рукопись «Мемориала», выполненная на пергаменте. Фотография © Bibliothèque Nationale de France, Paris

Ютили могут пригодиться при принятии решений по поводу того, что не имеет четко определенной денежной стоимости, например зря потраченное время или неприятная еда. Но о полезности необходимо говорить даже в тех случаях, когда речь идет о чем-то имеющем определенную денежную стоимость – скажем, о деньгах.

Осознание этого пришло еще в самом начале развития теории вероятностей. Подобно многим другим важным открытиям, эта идея впервые была сформулирована в виде головоломки. Даниил Бернулли описал ее в 1738 году, в труде Exposition on a New Theory of the Measurement of Risk («Опыт новой теории измерения жребия»)[194]:

Очевидно, что для Павла это достаточно привлекательный сценарий игры, за участие в которой он готов выложить какую-то сумму. Но какую именно? Учитывая наш опыт с лотереями, естественный ответ сводится к тому, чтобы вычислить ожидаемую ценность суммы денег, которую Павел получит от Петра. Вероятность того, что монета упадет лицевой стороной вверх после первого же броска, составляет 50 на 50, и в этом случае Павел получит один дукат. Если после первого броска выпадет реверс, а после второго аверс (событие, которое происходит в одном из четырех случаев), Павел получит два дуката. Чтобы он получил четыре дуката, в первых трех бросках монета должна упасть так: реверс, реверс, аверс (что происходит с вероятностью 1/8). Если продолжить этот ряд и просуммировать его отдельные элементы, ожидаемая прибыль Павла составит:

(1/2) × 1 + (1/4) × 2 + (1/8) × 4 + (1/16) × 8 + (1/32) × 16 +…

или

1/2 + 1/2 + 1/2 + 1/2 +…

Данная сумма не является числом. Это расходящийся ряд: чем больше членов вы складываете, тем больше становится сумма, увеличиваясь до бесконечности и превышая любой конечный предел[196]. На первый взгляд может показаться, что Павел готов заплатить любое количество дукатов за право принимать участие в игре.

Похоже на полную чушь. И так оно и есть! Однако, когда математика говорит, что нечто похоже на чушь, математики не уходят прочь, пожав плечами. Мы начинаем искать тот поворот, после которого либо математика, либо наша интуиция пошла не по тому пути[197]. Эту головоломку, известную как санкт-петербургский парадокс, впервые сформулировал Николай Бернулли (двоюродный брат Даниила) примерно на тридцать лет раньше, и многие специалисты по теории вероятностей того времени ломали над ней голову, но так и не пришли к удовлетворительному выводу. Младший Бернулли предложил замечательный способ разрешения этого парадокса – важнейший результат, с тех пор лежащий в основе экономического мышления по поводу неопределенной ценности. Бернулли утверждал: было бы ошибкой говорить, что дукат – это просто дукат. Дукат в руках богатого человека имеет иную ценность, чем дукат в руках крестьянина, что можно увидеть даже по тому, насколько по-разному эти двое относятся к своим деньгам. В частности, две тысячи дукатов – это не в два раза лучше одной тысячи, поскольку для человека, у которого уже есть тысяча дукатов, тысяча дукатов имеет меньшую ценность, чем для человека, у которого нет ничего. В два раза больше дукатов не означает в два раза больше ютилей: не все линии прямые, а зависимость между деньгами и их полезностью отображается в виде одной из таких непрямых линий.

Бернулли считал, что такая полезность возрастает по логарифмическому закону, то есть k-й приз в размере 2k дукатов имеет ценность всего k ютилей. Помните: мы можем представить логарифм как своего рода совокупность цифр, а значит, если сформулировать гипотезу Бернулли в долларах, то она гласит, что богатые люди измеряют ценность своих денег в количестве цифр после долларового знака: миллиардер настолько богаче миллионера с капиталом 100 миллионов долларов, насколько миллионер с капиталом 100 миллионов долларов богаче миллионера с капиталом 10 миллионов долларов.

В формулировке Бернулли ожидаемая полезность петербургской игры представляет собой сумму:

(1/2) × 1 + (1/4) × 2 + (1/8) × 3 + (1/16) × 4 +…

Это укрощает парадокс, поскольку, оказывается, эта сумма больше не является бесконечной или даже большой. На самом деле существует замечательный прием, который позволяет нам точно вычислить эту сумму:

Сумма первого ряда, (1/2) + (1/4) + (1/8) + …, равна 1; это тот самый бесконечный ряд, который обнаружил Зенон в главе 2. Второй ряд такой же, как и первый, только каждый его член разделен на 2, а значит, сумма этого ряда должна быть равной половине суммы первого ряда, то есть 1/2. Точно так же третий ряд, представляющий собой второй ряд, в которой каждый член разделен на 2, должен быть равным половине суммы второго ряда, то есть 1/4. Сумма всех чисел, представленных в правой части этого треугольника, равна 1 + 1/2 + 1/4 + 1/8 + …, на единицу больше, чем сумма ряда Зенона, другими словами, 2.

Но что если мы просуммируем сначала столбцы, а не ряды? Как и в случае с отверстиями в боковой панели стереосистемы моих родителей, не имеет значения, как считать – по горизонтали или по вертикали: сумма останется одной и той же[198]. В первом столбце есть только число 1/2; во втором два числа 1/4, то есть (1/4) × 2; в третьем три числа 1/8, то есть (1/8) × 3, и так далее. Ряд, сформированный из сумм столбцов, – это не что иное, как сумма, которую установил Бернулли для изучения санкт-петербургской задачи. А эта сумма представляет собой сумму всех чисел бесконечного треугольника, то есть 2. Следовательно, сумма денег, которую должен заплатить Павел, равна такому количеству дукатов, которое, согласно его личной кривой полезности, стоит 2 ютиля[199].

Помимо того факта, что кривая полезности изгибается вниз по мере увеличения количества денег, ее форму невозможно определить точно[200], хотя современные экономисты и психологи постоянно изобретают все более замысловатые эксперименты, призванные внести ясность в наше понимание свойств этой кривой. («А теперь, если не возражаете, удобно положите голову в центре камеры функционального магнитно-резонансного томографа, и я попрошу вас упорядочить следующие шесть покерных стратегий, от самых привлекательных до наименее привлекательных. Затем, если вы не против, полежите спокойно еще немного, пока мой ассистент возьмет у вас мазок из ротовой полости…»)

По крайней мере мы знаем, что не существует универсальной кривой: разные люди в разных ситуациях присваивают деньгам разную полезность. Это важный факт, который заставляет нас задуматься (или как минимум должен), когда мы начинаем делать обобщения по поводу экономического поведения. Грег Мэнкью – экономист Гарвардского университета, чью оценку рейганомики мы дали в первой главе, в 2008 году написал в своем блоге, что предложенное кандидатом в президенты США Бараком Обамой повышение налогов заставит его меньше работать{182}. Ведь Мэнкью уже достиг точки равновесия, в которой полезность денег, которые он получил бы за дополнительный час работы, была бы полностью сведена на нет отрицательной полезностью потери часа времени, который он мог бы провести со своими детьми. Сократите количество денег, зарабатанных Мэнкью за один час, – и эта сделка перестает быть выгодной для него; в итоге он будет сокращать объем выполненной работы до тех пор, пока этот объем не опустится до того уровня доходов, на котором один час с детьми будет иметь для него такую же ценность, что и один час, потраченный на работу с сокращенной Обамой оплатой. Мэнкью разделяет подход Рейгана к экономике с точки зрения звезды ковбойских фильмов: когда налоговая ставка повышается, вы снимаете меньше фильмов.

Но не все рассуждают так, как Грег Мэнкью. В частности, не у всех такая же кривая полезности, как у него. Автор комических эссе Фран Лебовиц рассказывает историю своей манхэттенской молодости, когда она работала таксистом[201]. Она начинала зарабатывать на такси в начале месяца и делала это каждый день, пока не заработает достаточно денег на жилье и еду. Затем прекращала водить такси и оставшуюся часть месяца писала. Для Фран Лебовиц все деньги, заработанные свыше определенного порога, имеют, по сути, нулевую полезность. Это означает, что у нее совсем другая кривая полезности, чем у Мэнкью. Ее кривая становится пологой, как только она расплатится за жилье. Что произойдет с Фран Лебовиц, когда повысится подоходный налог? Она будет работать больше, а не меньше, чтобы вернуться к своему пороговому значению дохода[202].

Бернулли был не единственным математиком, который пришел к идее полезности и ее нелинейной связи с деньгами. У него было как минимум два предшественника, одним из которых был Габриель Крамер из Женевы, а другим – не кто иной, как бросатель игл Жорж Луи Леклерк, граф де Бюффон. Интерес Бюффона к вероятности не ограничивался салонными играми. На более позднем этапе своей жизни он так вспоминал о своей встрече с досадным санкт-петербургским парадоксом:

Какое-то время я размышлял над этой задачей, но не мог определить, в чем загвоздка; я не видел возможности привести математические расчеты в соответствие со здравым смыслом без учета моральных соображений. Когда я сообщил о своих идеях господину Крамеру, он сказал мне, что я прав и что он также решил этот вопрос с помощью аналогичного подхода{183}.

Бюффон пришел к точно такому же выводу, что и Бернулли, причем он особенно отчетливо представлял себе эту нелинейность:

Деньги не должны оцениваться по их численному количеству: если бы металл, который является всего лишь символом богатства, сам был богатством, другими словами, если бы счастье или выгоды, проистекающие из богатства, были пропорциональны количеству денег, у людей были бы основания выражать их стоимость в числовой форме и по их количеству, однако далеко не всегда бывает так, что польза денег пропорциональна их количеству: богатый человек с доходом в сотню тысяч экю не является в десять раз более счастливым, чем человек, у которого всего десять тысяч экю. Деньги представляют собой нечто большее, и как только их количество превышает определенный предел, они почти не имеют реальной ценности и не способны повысить благополучие того, кому они принадлежат: человек, обнаруживший гору золота, будет не богаче того, кто нашел всего одну кубическую морскую сажень золота.

Принцип ожидаемой полезности притягательно прямолинеен и прост: при наличии ряда вариантов следует выбирать тот вариант, который имеет максимальную ожидаемую полезность. Пожалуй, этот принцип наиболее близок к математической теории индивидуального принятия решений из всего, что у нас есть. Кроме того, модель ожидаемой полезности охватывает многие аспекты того, как люди принимают решения, поэтому она остается основным количественным инструментом среди всех тех методов, которыми пользуются социологи. Свой трактат Essai philosophique sur les probabilités («Опыт философии теории вероятностей»)[203], написанный в 1814 году, Пьер Симон Лаплас закончил такими словами: «Мы видим в этом эссе, что теория вероятностей есть в сущности не что иное, как здравый смысл, сведенный к исчислению: она заставляет оценивать с точностью то, что рациональные умы чувствуют как бы инстинктом, часто не отдавая себе в этом отчета. …Она не оставляет места для сомнения в выборе мнений и решений; ее применение позволяет сделать самый правильный выбор».

И снова мы видим все тот же принцип: математика – это продолжение здравого смысла другими средствами.

Однако ожидаемая полезность не отвечает на все вопросы. В который раз досадные сложности предстают в виде головоломки. В данном случае головоломку сформулировал военный аналитик Дэниел Эллсберг, впоследствии получивший известность как разоблачитель нелицеприятных подробностей войны во Вьетнаме, передавший прессе секретные документы Пентагона. (В математических кругах, которые бывают порой довольно ограниченными в своих взглядах, нередко можно было услышать, как об Эллсберге говорят нечто в таком роде: «Знаете, прежде чем заняться политикой, он делал поистине важную работу».)

За десять лет до своей внезапной известности, в 1961 году, Эллсберг был блестящим молодым аналитиком в корпорации RAND, консультировавшим правительство США по вопросам ядерной войны: как можно ее предотвратить, а если это невозможно, то как эффективно вести. Одновременно с этим он работал над своей докторской диссертацией по экономике в Гарвардском университете. В обеих областях своей деятельности Эллсберг много размышлял о процессе принятия решений в условиях неизвестности. В то время теория ожидаемой полезности занимала важнейшее место в математическом анализе решений. В своей фундаментальной книге Theory of Games and Economic Behavior («Теория игр и экономическое поведение»[204]) Фон Нейман и Моргенштерн[205] доказали, что все люди, подчиняющиеся определенному набору правил поведения, или аксиом, должны действовать так, будто их решения ориентированы на максимизацию функции полезности. Эти аксиомы (которые впоследствии определил Леонард Джимми Сэвидж, входивший в состав Группы статистических исследований вместе с Абрахамом Вальдом) были в то время стандартной моделью поведения в условиях неопределенности.

Теория игр и теория ожидаемой полезности до сих пор играют большую роль в изучении переговоров между людьми и государствами, но никогда эта роль не была такой важной, как в RAND[206] в разгар холодной войны, где к трудам фон Неймана и Моргенштерна относились с таким же благоговением и анализировали так же тщательно, как Пятикнижие. Исследователи RAND изучали основополагающие аспекты человеческой жизни, а именно: проблему выбора и вопросы конкуренции. А в играх, которые они исследовали (таких как пари Паскаля), были очень высокие ставки.

Эллсберг, будучи молодым талантливым ученым, имел склонность выходить за рамки общепринятых ожиданий. Закончив Гарвардский университет третьим в своей группе, он поразил своих интеллектуальных собратьев тем, что записался в корпус морской пехоты, где прослужил три года в качестве рядового{184}. Будучи еще младшим научным сотрудником, в 1959 году, Эллсберг прочитал в публичной библиотеке Бостона лекцию по стратегии внешней политики, в которой, как известно, рассуждал об эффективности действий Адольфа Гитлера в качестве геополитического стратега: «Это мастер своего дела, действия которого следует изучить, с тем чтобы узнать, на что можно рассчитывать, что можно сделать в случае угрозы насилия»{185}. (Эллсберг всегда настаивал на том, что он не рекомендовал Соединенным Штатам использовать гитлеровские стратегии, а хотел только беспристрастно исследовать их эффективность. Может быть, так и было, однако трудно усомниться в том, что он пытался спровоцировать аудиторию.)

Таким образом, вряд ли стоит удивляться тому, что Эллсберг не очень охотно принимал общепринятые взгляды. Еще в период работы над дипломным проектом в университете он ставил под сомнение основные положения теории игр. А в RAND он разработал знаменитый эксперимент, получивший известность как парадокс Эллсберга{186}.

Предположим, у вас есть урна, внутри которой находится 90 шаров[207]. Вам известно, что 30 из этих шаров красные, а про остальные 60 шаров вы знаете только то, что некоторые из них черные, а некоторые желтые. Ведущий эксперимента предлагает вам следующие четыре варианта действий.

Красный. Вы получите 100 долларов, если следующий шар, который будет вынут из урны, окажется красным; в противном случае вы не получите ничего.

Черный. Вы получите 100 долларов, если следующий шар окажется черным; в противном случае вы не получите ничего.

Не красный. Вы получите 100 долларов, если следующий шар будет либо черным, либо желтым; в противном случае вы не получите ничего.

Не черный. Вы получите 100 долларов, если следующий шар будет либо красным, либо желтым; в противном случае вы не получите ничего.

Какой вариант вы выберете – «красный» или «черный»? А как насчет «не красный» или «не черный»?

Эллсберг предлагал участникам эксперимента определить, какому варианту они отдали бы предпочтение, если у них был бы такой выбор. В итоге он обнаружил, что люди, принимавшие участие в эксперименте, чаще склонны выбирать вариант «красный», чем вариант «черный». В случае варианта «красный» вам известно, чего вы можете ожидать: у вас есть один шанс из трех получить деньги. В случае варианта «черный» вы не имеете никакого представления о том, что можно ожидать. Что касается вариантов «не красный» и «не черный», участники эксперимента Эллсберга чаще выбирали вариант «не красный», предпочитая знать, что вероятность получения награды составляет ровно 2/3.

А теперь предположим, что вам предстоит принять более сложное решение: выбрать два варианта из всех возможных, причем не по своему усмотрению, а либо «красный» и «не красный», либо «черный» и «не черный». Если вы предпочитаете вариант «красный» варианту «черный» и вариант «не красный» варианту «не черный», для вас имеет смысл выбрать вариант «красный» и «не красный» вместо варианта «черный» и «не черный».

Но здесь возникает проблема. Выбрать вариант «красный» и «не красный» – все равно что дать себе 100 долларов. Но то же самое происходит и в случае выбора варианта «черный» и «не черный»! Как одно может быть предпочтительнее другого, если это одно и то же?

Приверженцам теории ожидаемой полезности выводы Эллсберга казались очень странными. Каждый вариант должен иметь ценность, равную определенному количеству ютилей, и если вариант «красный» имеет более высокую полезность, чем вариант «черный», а вариант «не красный» – более высокую полезность, чем вариант «не черный», значит, вариант «красный» + «не красный» стоит больше ютилей, чем «черный» + «не черный», а ведь они одинаковые. Если вы хотите доверять ютилям, тогда вам придется сделать вывод о том, что участники эксперимента Эллсберга просто ошибаются в своих предпочтениях, что они не умеют делать расчеты, не поняли сути вопроса или просто сошли с ума. Однако, поскольку на самом деле среди приглашенных Эллсбергом людей были известные экономисты и специалисты по теории принятия решений, такой вывод создает ряд собственных проблем в сложившейся ситуации.

С точки зрения Эллсберга, этот парадокс объясняется ошибочностью теории ожидаемой ценности. Как скажет впоследствии Дональд Рамсфельд, есть известное неизвестное и есть неизвестное неизвестное, и с ними необходимо вести себя по-разному. «Известное неизвестное» подобно варианту «красный»: мы не знаем, какой шар будет вынут, но можем определить вероятность, что это будет шар нужного нам цвета. С другой стороны, вариант «черный» подвергает игрока воздействию «неизвестного неизвестного»: мы не только не уверены в том, что шар будет черным, но и не знаем, какова вероятность того, что он окажется черным. В книгах по теории принятия решений первый тип неизвестного называется риском, а второй неопределенностью. Рискованные стратегии поддаются количественному анализу; неопределенные стратегии, по мнению Эллсберга, выходят за пределы формального математического анализа или как минимум за пределы того математического анализа, которым занимались в корпорации RAND.

Однако ничто из сказанного выше не опровергает чрезвычайную полезность теории полезности. Существует множество ситуаций (одна из них – лотерея), и в них вся тайна, с которой мы сталкиваемся, связана с риском, который подчиняется точно определенным вероятностям. Тем не менее есть намного больше ситуаций, в которых «неизвестное неизвестное» присутствует, но играет не столь важную роль. Мы видим здесь своего рода перетягивание каната в математическом подходе к науке. Математики вроде Бернулли и фон Неймана создают формальные математические модели, проливающие свет на область исследований, понимание которой носило прежде расплывчатый характер. Ученые, подобные Эллсбергу, более свободно обращающиеся с математическими концепциями, стремятся понять пределы таких формальных математических моделей и по возможности усовершенствовать их, а если это невозможно – оставить сформулированные в категорических выражениях предупредительные знаки.

Работа Эллсберга написана в ярком художественном стиле, не свойственном формальной экономике. В заключительной части он пишет об участниках эксперимента следующее:

Байесовский подход и подход Сэвиджа дают ошибочные прогнозы и, по их мнению, плохие советы. Они сознательно, без всяких оправданий предпринимают действия, противоречащие этим аксиомам, поскольку такое поведение кажется им разумным. Неужели они ошибаются?

В Вашингтоне и корпорации RAND периода холодной войны теория принятия решений и теория игр считались высшей интеллектуальной ценностью и рассматривались в качестве научных инструментов, которые помогут выиграть следующую мировую войну, подобно тому как атомная бомба выиграла последнюю. Тот факт, что на самом деле эти инструменты могут иметь ограниченную область применения, особенно в ситуациях, у которых еще не было прецедентов, а значит, нет способа оценить вероятность (скажем, как в случае мгновенного превращения человечества в радиоактивную пыль), должен был вызывать определенное беспокойство у Эллсберга. Может быть, именно с этого, помимо разногласий насчет математики, начались его сомнения в военной системе?

Понятие полезности помогает объяснить одно загадочное явление, связанное с лотереей Cash WinFall. С одной стороны, когда игроки группы Джеральда Селби покупали большое количество лотерейных билетов, они использовали функцию Quic Pic, позволяя компьютерам лотереи выбирать числа в случайном порядке. С другой стороны, игроки группы Random Strategies выбирали числа сами. Это означало, что они должны были заполнять десятки тысяч карточек вручную, а затем по одному вставлять их в автомат в выбранном магазине – трудоемкое и невероятно скучное занятие.

Выигрышные номера выпадают совершенно случайно, а значит, все лотерейные билеты имеют одинаковую ожидаемую ценность: 100 тысяч билетов Селби, выбранных с помощью компьютеров, обеспечили бы такое же количество призовых денег, что и 100 тысяч билетов Харви и Лу, заполненных вручную. Согласно ожидаемой ценности, игроки Random Strategies выполняли большой объем трудной работы без какого бы то ни было вознаграждения. Зачем?

Рассмотрим следующий пример – более простой, но аналогичный по своей сути. Вы предпочли бы взять 50 тысяч долларов, или заключить пари 50 на 50 между потерей 100 тысяч долларов и получением 200 тысяч долларов? Ожидаемая ценность этого пари составляет:

Параллельные линии не пересекаются. Это и делает их параллельными.

Но иногда параллельные линии выглядят так, будто пересекаются. Вспомните о паре железнодорожных рельсов в пустынной местности, которые как будто сходятся в одной точке, по мере того как ваш взгляд перемещается по ним все ближе к горизонту. (По моему мнению, мысленный образ встречающихся друг с другом двух рельсов станет еще ярче, если включить музыку в стиле кантри.) Здесь имеет место феномен перспективы; когда вы пытаетесь отобразить трехмерный мир в двумерном поле зрения, чем-то придется пожертвовать.

Первыми, кто разобрался с этим явлением, оказались люди, которым было необходимо постичь: во-первых, суть объектов; во-вторых, как они выглядят; в-третьих, разницу между реальным объектом и его визуальным образом. Речь идет о художниках. Когда в начале эпохи итальянского Возрождения художники поняли феномен перспективы, визуальное представление изменилось навсегда: с этого момента картины европейских художников перестали напоминать рисунки ваших детей на дверце холодильника (в том случае, если ваши дети рисуют в основном распятого на кресте Иисуса) и стали похожими на то, что на них изображено[215].

Вопрос, как именно флорентийские художники, например Филиппо Брунеллески, пришли к пониманию современной теории перспективы, стал предметом множества дискуссий среди искусствоведов. Мы не будем вдаваться в детали их споров. Но мы наверняка знаем: этот прорыв стал возможен благодаря соединению эстетических соображений с новыми идеями в области математики и оптики. Отправной точкой стало понимание, что изображения, которые мы видим, формируются лучами света, отражающимися от объектов и попадающими в наши глаза. Современному человеку это кажется очевидным, но в те времена, поверьте, было далеко не так. Многие ученые древности – самый известный из них Платон – утверждали, что одним из элементов зрительного восприятия должен быть некий огонь, который испускают глаза. Эта точка зрения восходит как минимум к Алкмеону Кротонскому; считается, что на его мировоззрение повлияло учение Пифагора и пифагорейской школы (о взглядах пифагорейцев шла речь во второй главе). Алкмеон утверждал, что глаза должны испускать огонь, иначе из какого еще источника могут появляться фосфены – звезды, которые вы видите, когда закрываете глаза и надавливаете пальцем на глазное яблоко{187}? Теорию зрительного восприятия посредством отраженных лучей разработал на довольно подробном уровне каирский математик XI столетия Абу Али аль-Хасан ибн аль-Хасан ибн аль-Хайсам аль-Басри (но давайте называть его Альхазеном, как делают большинство западных авторов). Трактат Альхазена об оптике Kitab al-Manazir («Книга оптики») был переведен на латинский язык и с воодушевлением принят философами и художниками, искавшими более систематическую трактовку связи между взглядом и тем, на что он направлен. Основная мысль сводится к следующему: точка Р на вашем холсте представляет прямую линию в трехмерном пространстве. Благодаря Евклиду мы знаем, что существует только одна прямая линия, которая проходит между двумя заданными точками. В данном случае это линия, которая проходит через точку Р и ваш глаз. Любой объект, расположенный на этой линии, необходимо рисовать в точке Р.

А теперь представьте себя Филиппом Брунеллески, стоящим в степи; перед вами холст на мольберте, и вы рисуете железнодорожный путь[216]. Этот путь состоит из двух рельсов, которые мы обозначим R₁ и R₂. Каждый из этих рельсов, нарисованный на холсте, должен представлять собой прямую линию. А подобно тому как точка на холсте соответствует прямой в пространстве, прямая линия на холсте соответствует плоскости. Плоскость P₁, соответствующая рельсу R₁, – это и есть та плоскость, которая образована прямыми, соединяющими каждую точку на этом рельсе с вашим глазом. Точно так же плоскость P₂, соответствующая рельсу R₂, – это плоскость, на которой находится ваш глаз и рельс R₂. Пересечение каждой из этих плоскостей с холстом представляет собой прямую линию; обозначим эти прямые L₁ и L₂.

Эти два рельса параллельны друг другу. Однако две плоскости не параллельны. Как они могут быть параллельными? Они ведь пересекаются в вашем глазу, а параллельные плоскости не пересекаются. Плоскости, которые не являются параллельными, должны иметь пересечение в виде прямой линии. В данном случае это горизонтальная линия, которая исходит из вашего глаза и проходит дальше параллельно рельсам. Эта линия, будучи горизонтальной, не пересекается со степью: она стремится к горизонту, не касаясь поверхности земли. Однако (и в этом весь смысл происходящего) она пересекается с холстом в точке V. Поскольку точка V находится на плоскости R₁, она должна быть на линии L₁, вдоль которой рельс R₁ пересекается с холстом. А поскольку точка V находится также на плоскости R₂, она должна быть на линии L₂. Другими словами, V – это точка на холсте, в которой пересекаются нарисованные рельсы. На самом деле любой путь в степи, пролегающий параллельно рельсам, будет выглядеть на холсте как линия, которая проходит через точку V. Точка V – так называемая точка схода, то есть точка, через которую проходят все нарисованные линии, параллельные рельсам. В действительности каждая пара параллельных рельсов образует определенную точку схода на холсте, а положение этой точки зависит от направления параллельных линий. (Исключение составляют только пары прямых линий, параллельных самому холсту, как шпалы между рельсами – на картине они по-прежнему выглядят как параллельные.)

Концептуальный сдвиг, который совершил Филиппо Брунеллески, лежит в основе того, что математики называют проективной геометрией. Вместо точек на местности мы анализируем прямые линии, проходящие через наш глаз. На первый взгляд различие может показаться сугубо семантическим: каждая точка на поверхности земли определяет одну и только одну линию между этой точкой и нашим глазом, так не все ли равно, о чем мы думаем – о точке или о прямой? Разница вот в чем: количество линий, которые проходят через наш глаз, больше количества точек на поверхности, поскольку среди них есть еще и горизонтальные линии, вообще не пересекающиеся с поверхностью земли. Эти прямые соответствуют точкам схода на нашем холсте, то есть тем местам, в которых пересекаются рельсы. Вы можете представить такую линию как точку на поверхности, которая расположена «бесконечно далеко» в направлении рельсов. Математики обычно называют их бесконечно удаленными точками. Если взять плоскость, известную Евклиду, и изобразить на ней бесконечно удаленные точки, получится проективная плоскость. Вот рисунок такой плоскости.

Большая часть проективной плоскости выглядит точно так же, как и обычная плоскость, к которой вы привыкли. Однако на проективной плоскости больше точек: на ней есть так называемые бесконечно удаленные точки – по одной на каждое возможное направление, в котором прямая может быть ориентирована на плоскости. Вы должны представлять себе точку Р, соответствующую вертикальному направлению, как расположенную бесконечно высоко по вертикальной оси, но также и как расположенную бесконечно низко по вертикальной оси. На проективной плоскости два конца оси Y сходятся в бесконечно удаленной точке, поэтому данная ось на самом деле представляет собой не прямую линию, а окружность. Аналогичным образом Q – это точка, расположенная бесконечно далеко на северо-восток (или на юго-запад), а R – точка, которая находится в конце горизонтальной оси. Или, скорее, на обоих концах. Если вы будете перемещаться бесконечно далеко вправо, до тех пор пока не окажетесь в точке R, а затем продолжите идти дальше, то обнаружите, что по-прежнему двигаетесь вправо, но теперь возвращаетесь в центр от левого края рисунка.

Ситуация «отправился по одному пути, вернулся по другому» поразила молодого Уинстона Черчилля, который дал яркое описание одного математического откровения, произошедшего в его жизни:

Однажды я прочувствовал математику, словно обозрел ее всю, все ее глубины раскрылись передо мной, вся ее бездонность. Подобно тому как многие наблюдают за прохождением Венеры или шествием лорда-мэра, я наблюдал за полетом величины через бесконечность и сменой ее знака с плюса на минус. Я понял, почему это происходит и как один шаг влечет за собой все другие. Похоже на политику. Но озарение пришло после плотного ужина – и мне было не до него![217]

По существу, точка R – не просто конечная точка горизонтальной оси, а конечная точка любой горизонтальной линии. Если есть две линии и они обе горизонтальные, значит, это параллельные линии. Тем не менее в проективной геометрии они пересекаются в бесконечно удаленной точке. Дэвиду Фостеру Уоллесу в 1996 году в одном из интервью задали вопрос о концовке романа Infinite Jest («Бесконечная шутка»), который многие считали незавершенным. Журналист поинтересовался у Уоллеса, не уклоняется ли тот от написания заключительной части романа, потому что ему «надоело его писать». Уоллес довольно раздраженно ответил:

Концовка есть, как мне кажется. Считается, что определенные типы параллельных линий начинают сходиться таким образом, что читатель может спроецировать «конец» куда-то за пределы правильной системы координат. Если вы не увидели такого схождения или проекции, значит, книга для вас потеряна{188}.

* * *

У проективной плоскости есть недостаток: ее трудно нарисовать. Но есть у нее и преимущество, делающее правила геометрии более согласованными. На евклидовой плоскости две различные точки определяют одну прямую, а две различные прямые определяют одну точку пересечения, если только они не параллельные – в таком случае они вообще не пересекаются. В математике мы любим правила, но не любим исключений. С проективной плоскостью вам не придется делать никаких исключений в правиле, говорящем, что две прямые пересекаются в одной точке, поскольку параллельные прямые также пересекаются. Например, любые две вертикальные линии пересекаются в точке Р, а две линии, указывающие с северо-восточного направления в юго-западном, пересекаются в точке Q. Две точки определяют одну линию, две линии пересекаются в одной точке, вот и все[218]. Здесь имеет место идеальная симметрия, простота и изысканность, не свойственные классической планиметрии. Совсем не случайно, что проективная геометрия возникла естественным образом в результате попыток решить практическую задачу отображения трехмерного мира на плоском холсте. Как раз за разом показывает история науки, математическая элегантность и практическая полезность идут рука об руку. Порой ученые открывают теорию и предоставляют математикам искать объяснение ее элегантности; в других случаях математики разрабатывают элегантную теорию и оставляют ученым искать области ее применения.

Реалистическая живопись – та область деятельности, в которой применяется проективная плоскость. Еще одна такая область – выбор лотерейных номеров.

В основе геометрии проективной плоскости лежат две аксиомы.

Когда математики обнаружили одну разновидность геометрии, удовлетворявшую этим двум идеально согласованным аксиомам, вполне естественно было задать вопрос, существуют ли другие типы геометрии. Оказывается, есть много таких геометрий, одни большие, а другие маленькие. Самая крохотная из них называется «плоскость Фано», по имени ее создателя Джино Фано, который был одним из первых математиков конца XIX столетия, всерьез воспринявших идею конечных геометрий. Вот как выглядит плоскость Фано.

Действительно совсем небольшая геометрическая система, состоящая всего из семи точек! В качестве «прямых» в ней выступают линии, показанные на рисунке; линии также маленькие, поскольку на каждой из них всего по три точки. Существует семь таких линий, шесть из которых выглядят как прямые, а седьмая похожа на окружность. И все-таки эта так называемая геометрия, и без того экзотическая, удовлетворяет и первой и второй аксиомам точно так же, как плоскость Брунеллески.

Фано придерживался современного подхода, достойного восхищения: у него была, говоря словами Харди, «привычка определения», поскольку он избегал вопроса, не имеющего ответа, а именно: «Что такое геометрия?» Вместо этого он спрашивал: «Какой феномен ведет себя подобно геометрии?» Вот свидетельство самого Фано:

A base del nostro studio noi mettiamo una varietà qualsiasi di enti di qualunque natura; enti che chiameremo, per brevità, punti indipendentemente però, ben inteso, dalla loro stessa natura{189}.

А это перевод:

В качестве основы нашего исследования мы исходим из предположения, что существует произвольная совокупность объектов произвольной природы – объектов, которые мы для краткости называем точками, но это не имеет отношения к их природе{190}.

Для Фано и его интеллектуальных преемников не имеет значения, «как выглядит» прямая – похожа ли она на линию, на окружность, на крякву или на что угодно. Важно лишь то, что прямые линии подчиняются законам прямых линий – законам, установленным Евклидом и его преемниками. Если это ходит как геометрия и крякает как геометрия, значит, будем называть это геометрией[219]. Существует точка зрения, согласно которой такой шаг создает разрыв между математикой и реальностью, чему необходимо противостоять. Мнение чрезмерно консервативное. Смелая идея, что мы можем размышлять в геометрических категориях о системах, не похожих на евклидово пространство[220], и называть эти системы геометриями – причем говорить об этом с высоко поднятой головой, – сыграла решающую роль в осмыслении релятивизма геометрии пространственно-временного континуума, в котором мы живем. В настоящее время мы используем обобщенные геометрические идеи для построения карты интернет-пространства, которое представляет собой нечто весьма далекое от того, что мог представить Евклид. Это один из аспектов красоты математики: мы разрабатываем совокупность идей, и если они верны, то они верны, даже если их применение выходит далеко за рамки контекста, в котором они изначально были задуманы.

Возьмем в качестве иллюстрации такой пример. На рисунке снова изображена плоскость Фано, но точки на ней обозначены числами от 1 до 7.

Выглядит знакомо? Если составить список этих семи линий, обозначив их совокупностью трех точек, которые расположены на каждой из них, получится следующее:

124

135

167

257

347

236

456

Это не что иное, как совокупность семи лотерейных билетов, о которых мы говорили выше, – совокупность, в которой каждая пара чисел выпадает только один раз, гарантируя минимальный выигрыш. В тот момент такое свойство казалось впечатляющим и загадочным. Как может кто бы то ни было сформировать столь идеально упорядоченное множество лотерейных билетов?

Ну вот, только что с моей помощью ларчик открылся и продемонстрировал суть фокуса: все дело в геометрии. Каждая пара чисел появляется ровно в одном билете, поскольку каждая пара точек лежит ровно на одной прямой. Это всего лишь Евклид, правда, говорим мы теперь о точках и линиях, и вряд ли Евклид их узнал бы.

Плоскость Фано подсказывает нам, как без всякого риска играть в трансильванскую лотерею из семи чисел, но как насчет лотереи штата Массачусетс? Существует множество конечных геометрий с количеством точек, большим семи, но ни одна из них, к сожалению, не отвечает полностью требованиям лотереи Cash WinFall. В этом случае необходимо нечто более универсальное. Решение проблемы проистекает не непосредственно из живописи эпохи Возрождения или евклидовой геометрии, а из еще одного неожиданного источника – теории цифровой обработки сигналов.

Предположим, мне нужно отправить на спутник важное сообщение, например, «Включить правый двигатель». Спутники не разговаривают на человеческом языке, поэтому на самом деле я отправляю последовательность единиц и нулей – то, что программисты называют битами:

1110101…

Сообщение кажется четким и недвусмысленным. Однако в реальной жизни в каналах связи бывают помехи. Может быть, космический луч попадает в спутник в тот момент, когда спутник принимает ваше сообщение, и искажает один бит информации, поэтому в итоге получается такое сообщение:

1010101…

На первый взгляд может показаться, что это сообщение не очень отличается от предыдущего, но, если изменение одного бита информации приведет к замене команды «включить правый двигатель» на команду «включить левый двигатель», у спутника могут возникнуть серьезные проблемы.

Спутники стоят очень дорого, а значит, лучше избегать подобных проблемных ситуаций. Когда вы пытаетесь поговорить с приятелем на бурной вечеринке, то имеете возможность повторить сказанное, и ваши слова не утонут в общем шуме. Данный способ применим и в нашем случае: в исходном сообщении можно продублировать каждый бит, отправив 00 вместо 0 и 11 вместо 1:

11 11 11 00 11 00 11…

Теперь, когда космический луч выбьет второй бит сообщения, спутник увидит такую последовательность:

10 11 11 00 11 00 11…

Спутник знает, что каждый сегмент из двух бит должен представлять собой либо 00, либо 11, а значит, сигнал «10» – признак того, что что-то не в порядке. Но что именно? Спутнику трудно разобраться с этим, поскольку он не знает, в каком именно месте помеха исказила сигнал, не существует способа определить, как выглядело исходное сообщение – 00 или 11.

Но и эту проблему можно исправить, повторив каждый бит три раза вместо двух:

111 111 111 000 111 000 111…

Предположим, сообщение приходит в искаженном виде:

101 111 111 000 111 000 111…

Теперь спутник готов к этому. Он знает, что первый сегмент из трех бит должен представлять собой 000 или 111, а значит, присутствие 101 означает, что что-то пошло не так. Но, если в исходном сообщении была бы последовательность 000, это означало бы, что искажены два бита, расположенные в непосредственной близости друг от друга, – маловероятное событие, учитывая редкость космических лучей, искажающих сообщения. Следовательно, у спутника есть все основания применить принцип большинства: если два из трех бит содержат 1, велика вероятность, что в исходном сообщении была последовательность 111.

Вы только что увидели пример кода с исправлением ошибок – протокол обмена данными, позволяющий получателю устранять ошибки в искаженном сигнале[221]. Эта идея, как практически и все остальное в теории информации, сформулирована в вышедшей в 1948 году и ставшей сразу классической работе Клода Шеннона Mathematical Theory of Communication («Математическая теория связи»)[222].

Математическая теория коммуникации! Звучит несколько претенциозно, не так ли? Разве коммуникация – не сугубо человеческий вид деятельности, который нельзя свести к холодным цифрам и формулам?

Я хочу, чтобы вы понимали: я от всей души поддерживаю и настоятельно рекомендую демонстрировать жесткий скептицизм по отношению к любым заявлениям, что ту или иную сущность можно объяснить, или укротить, или полностью понять математическими средствами.

Тем не менее история математики представляет собой историю агрессивной территориальной экспансии, поскольку математические методы становятся все более всеобъемлющими и богатыми, а математики находят способы изучать вопросы, которые раньше считались находящимися вне их области знаний. В наше время словосочетание «математическая теория вероятностей» выглядит вполне обычным, но когда-то могло показаться большим перегибом: математика занималась только изучением определенного и истинного, а не случайного и возможного! Ситуация изменилась, когда Паскаль, Бернулли и другие математики открыли математические законы, описывающие действие случая[223]. Математическая теория бесконечности? До работы Георга Кантора в XIX столетии изучение бесконечности было не столько наукой, сколько теологией; сейчас мы понимаем теорию Кантора о множественности бесконечностей, каждая из которых бесконечно больше предыдущей, настолько полно, что преподаем эту тему первокурсникам, изучающим математику. (По правде сказать, она действительно поражает их воображение.)

Формальные математические модели не охватывают все детали того феномена, который описывают, они и не должны этого делать. Например, существуют вопросы о случайности – на них теория вероятностей не дает ответа. В понимании некоторых людей проблемы, остающиеся вне досягаемости математики, представляют собой самые интересные вопросы. Но в наши дни было бы ошибкой размышлять о случае, не опираясь на теорию вероятностей. Если не верите мне, спросите Джеймса Харви. Или, что еще лучше, спросите об этом у людей, чьи деньги он выиграл.

Появится ли когда-либо математическая теория сознания? Общества? Эстетики? Кто-то наверняка пытается создать такие теории, но пока безуспешно. Заявления такого рода должно каждый раз подвергать сомнению, полагаясь на интуицию. Но также следует помнить, что в конечном счете они могут правильно интерпретировать некоторые вещи.

На первый взгляд код с исправлением ошибок не кажется революционным математическим методом. Ведь мы всегда повторяем сказанное, когда находимся в шумном месте, – и таким образом решаем проблему! Но у данного решения есть своя цена. Если вы будете повторять каждый бит информации три раза, для передачи сообщения понадобится в три раза больше времени. Вряд ли это послужит препятствием на громогласной вечеринке, но может стать настоящей проблемой, если вам необходимо, чтобы спутник включил правый двигатель в данную секунду. В своей работе, положившей начало теории информации, Шеннон описал негативный побочный эффект, с которым инженеры борются до сих пор: чем более устойчивым к помехам вы хотите сделать свой сигнал, тем медленнее будут передаваться биты. Присутствие шума ограничивает длину сообщения, которое ваш канал связи может безопасно передать за определенное количество времени. Шеннон обозначил этот предел термином пропускная способность канала. Подобно тому как труба пропускает только определенное количество воды, канал связи также передает только определенный объем информации.

Однако для исправления ошибок не обязательно сокращать пропускную способность канала связи, как того требует протокол «повторить три раза». Шеннон знал, что их можно исправить более эффективно, поскольку Ричард Хэмминг, его коллега по Bell Labs, уже понял, как решить данную проблему.

У Хэмминга, молодого ветерана Манхэттенского проекта, в Bell Labs был доступ к десятитонной релейной вычислительной машине Model V, однако уровень его допуска позволял ему работать с этой машиной только по выходным{191}. Проблема заключалась в том, что любая механическая ошибка могла остановить процесс вычислений, и никто не мог снова запустить машину до утра понедельника. Это раздражало. А раздражение, как известно, – один из величайших стимулов технического прогресса. Хэмминг подумал, как было бы отлично, если машина смогла бы исправлять собственные ошибки и продолжать работать. В итоге он написал программу. Данные, которые вводятся в машину, можно представить в виде нулей и единиц, точно так же как и при передаче сообщений на спутник; с точки зрения математики не имеет значения, что представляют собой эти цифры: биты в цифровом потоке, состояние электрического реле или отверстия на перфоленте – в то время самый современный интерфейс передачи данных.

Первый шаг Хэмминга состоял в разбиении сообщения на блоки, состоящие из трех символов:

111 010 101…

Код Хэмминга[224] – правило, в соответствии с которым каждый блок из трех цифр преобразуется в последовательность из семи цифр. Вот таблица кодирования:

000 → 0000000

001 → 0010111

010 → 0101011

011 → 0111100

101 → 1011010

110 → 1100110

100 → 1001101

111 → 1110001

Таким образом, кодированное сообщение будет выглядеть так:

1110001 0101011 1011010…

Перечисленные выше блоки из семи бит называются кодовыми словами. Эти восемь кодовых слов представляют собой единственные восемь блоков, которые разрешает данный код; если получатель видит что угодно другое, значит, что-то наверняка пошло не так. Предположим, вы получили блок 1010001. Вы знаете, что он не может быть правильным, потому что 1010001 – не кодовое слово. Более того, полученное вами сообщение отличается от кодового слова 1110001 всего на одну позицию. Другого кодового слова, которое было бы столь близким к искаженному сообщению, не существует. Следовательно, вы можете с довольно высокой степенью уверенности предположить, что кодовое слово, которое намеревался передать отправитель, – 1110001, а это означает, что соответствующий блок из трех цифр в исходном сообщении был 111.

Наверное, сейчас вы подумали, что нам просто повезло. Разве загадочное сообщение не могло быть близким к двум разным кодовым словам? В таком случае мы не имели бы возможности дать однозначную оценку. Но этого никогда не произойдет, и вот почему. Посмотрите еще раз на линии плоскости Фано:

124

135

167

257

347

236

456

Как бы вы описали данную геометрию компьютеру? Компьютеры любят, чтобы с ними разговаривали в нулях и единицах, поэтому нужно записать каждую линию в виде последовательности цифр 0 и 1, где 0 на позиции n означает «точка n находится на линии», а 1 на позиции n означает «точка n не находится на линии». Таким образом, первая линия, 124, будет представлена в таком виде:

0010111

а вторая, 135, – в таком:

0101011

Обратите внимание, что обе строки символов представляют собой кодовые слова из кода Хэмминга. В действительности семь ненулевых кодовых слов из кода Хэмминга в точности соответствуют семи линиям плоскости Фано. Код Хэмминга и плоскость Фано (а также, если уж на то пошло, оптимальная совокупность билетов для трансильванской лотереи) – один и тот же математический объект, но в разных нарядах!

Это и есть тайная геометрия кода Хэмминга. Кодовое слово представляет собой совокупность трех точек на плоскости Фано, образующих прямую линию. Изменение одного бита в строке равносильно прибавлению или исключению одной точки. Следовательно, если исходное кодовое слово было не 0000000, искаженное сообщение, которое вы получите, соответствует множеству из двух или из четырех точек[225]. Если вы получите множество из двух точек, вам известно, как найти недостающую точку: это просто третья точка на единственной прямой, соединяющей две полученные вами точки. Что если вы получите множество из четырех точек, имеющее вид «прямая плюс одна дополнительная точка»? В таком случае вы можете сделать вывод, что правильное сообщение состоит из тех трех точек в вашем множестве, которые образуют прямую линию. Здесь есть одна тонкость: откуда вам известно, что существует только один способ выбора такого множества из трех точек? Давайте обозначим точки символами A, B, C и D. Если точки A, B и C лежат на прямой линии, тогда A, B и C должны быть тем самым множеством точек, которое намеревался передать вам отправитель. Но что если A, C и D также расположены на одной прямой? Не беспокойтесь: это невозможно, поскольку прямая, содержащая точки A, B и C, а также прямая, содержащая точки A, С и D, имели бы две общие точки – А и С. Однако две прямые линии могут пересекаться только в одной очке – таково правило[226]. Другими словами, благодаря аксиомам геометрии код Хэмминга имеет такое же магическое свойство по исправлению ошибок, что и метод «повторить три раза»: если в процессе передачи в сообщении будет искажен один бит, получатель может вычислить, какое сообщение намеревался передать отправитель. Однако вместо увеличения времени передачи сообщения в три раза ваш новый усовершенствованный код позволяет отправлять семь бит на каждые три бита исходного сообщения, что обеспечивает более эффективный коэффициент 2,33.

Открытие кодов с исправлением ошибок, как первых кодов Хэмминга, так и разработанных впоследствии более эффективных кодов, преобразило проектирование информационных систем. Больше не требовалось создавать системы с двойной проверкой, нуждающиеся в столь сильной защите – защите, которая полностью исключала бы возможность ошибок. После открытий Хэмминга и Шеннона было достаточно сделать ошибки просто редкими, чтобы гибкость кода с исправлением позволяла нейтрализовать любые искажения. В настоящее время коды с исправлением ошибок используются в тех случаях, когда необходимо обеспечить быструю и надежную передачу данных. Орбитальный модуль Mariner 9 отправлял снимки поверхности Марса на Землю с использованием одного из таких кодов, кода Адамара. Компакт-диски кодируются с помощью кода Рида – Соломона – именно поэтому они звучат идеально, даже если их поцарапать. (Читатели, родившиеся после 1990 года и не знающие, что такое компакт-диски, могут просто вспомнить о картах флеш-памяти, в которых среди прочего используется код Боуза – Чоудхури – Хоквингема, чтобы предотвратить нарушение целостности данных.) Код вашего банка шифруется с помощью простого кода, который называется «контрольная сумма». Это не код с исправлением ошибок, а просто код с обнаружением ошибок, подобный протоколу «повторить каждый бит дважды». Если вы напечатаете одну цифру неправильно, компьютер, выполняющий перевод, может не понять, какое число вы на самом деле имели в виду, но он хотя бы определит, что что-то не так, и не отправит ваши деньги не в тот банк.

Не совсем ясно, когда именно Хэмминг понял весь диапазон применения своего нового метода, однако его руководство в Bell наверняка отдавало себе отчет, что стоит за его открытием. Хэмминг выяснил это, когда попытался опубликовать свою работу:

Патентный отдел не давал разрешение на публикацию до тех пор, пока не была обеспечена патентная защита… Я не верил, что они могут запатентовать кучку математических формул. Я так им и сказал. Они ответили: «Вот увидите». И были правы. С тех пор я понимаю, что плохо знаю патентное законодательство, поскольку часто бывает так, что вы вынуждены патентовать такие вещи, которые не нуждаются в этом, и это возмутительно{192}.

Однако математика двигается вперед быстрее, чем патентное бюро. Швейцарский математик и физик Марсель Голей узнал об идеях Хэмминга от Шеннона и разработал много новых кодов, не зная о том, что Хэмминг разрабатывал такие же коды за завесой патентного права. Голей опубликовал свои работы первым, что повлекло за собой путаницу в отношении авторских прав, которая сохраняется до сих пор{193}. Что касается патента, в Bell его получили, но потеряли право взимать деньги за лицензию в рамках антимонопольного соглашения 1956 года{194}.

Что делает код Хэмминга столь эффективным? Чтобы понять это, необходимо взглянуть на ситуацию под другим углом и поставить вопрос так: что могло бы стать причиной его провала?

Помните: настоящее проклятие любого кода с исправлением ошибок – это блок цифр, который очень близок к двум разным кодовым словам одновременно. Получатель, в адрес которого отправлена проблемная комбинация битов, окажется в затруднительном положении, не имея надежного способа определить, какое из кодовых слов было в исходном сообщении.

Что мы имеем в виду, когда говорим про «близость» одного блока к другому? На первый взгляд может показаться, что мы используем метафору, поскольку блоки двоичных знаков не имеют местоположения. По твердому убеждению Хэмминга, понятие близости отнюдь не метафора и таковой не должна восприниматься – именно в этом и заключался его важный концептуальный вклад. Он ввел новое понятие расстояния, которое теперь называется расстоянием Хэмминга. Концепция расстояния была адаптирована к новой математике информации точно так же, как расстояние Евклида и Пифагора было адаптировано к геометрии плоскости. Хэмминг дал простое определение: расстояние между двумя блоками символов – это количество битов, которые необходимо изменить, чтобы превратить один блок в другой. Таким образом, расстояние между кодовыми словами 0010111 и 0101011 равно 4; чтобы превратить первое кодовое слово во второе, необходимо изменить биты во второй, третьей, четвертой и пятой позициях.

Восемь кодовых слов Хэмминга – хороший код, поскольку ни один блок из семи бит не находится на расстоянии Хэмминга между двумя кодовыми словами, равному 1. Если бы это было так, два кодовых слова были бы на расстоянии Хэмминга 2 друг от друга[227]. Но вы можете проверить это сами – и увидите, что нет таких двух кодовых слов, которые отличались бы на две позиции; на самом деле расстояние Хэмминга между любыми двумя кодовыми словами равно 4. Вы можете провести аналогию между этими кодовыми словами и электронами в коробке или необщительными людьми в кабине лифта. Они находятся в ограниченном пространстве и в пределах этих ограничений пытаются расположиться как можно дальше друг от друга.

Этот же принцип лежит в основе всех возможных каналов коммуникации, устойчивых к помехам. Именно так устроен естественный язык: если я напишу lanvuage вместо language («язык»), вы поймете, что я имел в виду, поскольку в английском языке это единственное слово, которое можно получить посредством замены одной буквы в слове lanvuage. Безусловно, данный принцип не сработает при употреблении односложных слов: dog, cog, bog и log – каждое из этих слов имеет свое значение в английском языке, но всплеск шума, заглушающий первую фонему, не позволит распознать, что именно имелось в виду. Однако даже в таком случае можно использовать семантическое расстояние между словами, чтобы исправить ошибки. Если вас что-то укусило, значит, это dog («собака»); если вы с чего-то упали, то это log («бревно») и так далее.

Язык можно сделать более эффективным, но при этом возникает тот же негативный побочный эффект, с которым столкнулся Шеннон. В свое время многие люди, и упертые зануды и те, кто обладал математическими наклонностями,[228] потратили массу усилий на создание языков, которые обеспечили бы компактную и точную передачу информации без всякой избыточности, синонимии и двусмысленности – всего того, чем грешат такие языки, как английский. Священник Эдвард Пауэлл Фостер создал в 1906 году искусственный язык Ро, с тем чтобы заменить дебри английского словаря лексиконом, в котором значение каждого слова можно было логически вывести из его звучания{195}. Пожалуй, нет ничего удивительного в том, что среди горячих приверженцев языка Ро был Мелвилл Дьюи, который создал десятичную систему классификации, обеспечивающую расположение книг на полках библиотек в строгом порядке. Лаконичность языка Ро действительно заслуживает восхищения. Многие длинные английские слова, такие как ingredient, на языке Ро становятся гораздо короче – просто cegab. Однако подобная лаконичность имеет свою цену: она сопровождается потерей возможности исправлять ошибки, присутствующей в английском языке как встроенная функция. Это как маленькая, заполненная до отказа кабинка лифта, в которой у пассажиров нет дополнительного личного пространства. Другими словами, каждое слово на языке Ро очень похоже на многие другие слова, что создает возможности для путаницы. Например, на языке Ро «цвет» – это bofab. Но если вы измените всего одну букву, получаются следующие слова: «звук» – bogab; «электричество» – bokab; bolab – «вкус». Более того, в логической структуре языка Ро слова с похожим звучанием имеют похожее значение. Это обстоятельство еще больше усугубляет ситуацию, поскольку не позволяет по контексту понять, что происходит. Слова bofoc, bofof, bofog и bofol означают «красный», «желтый», «зеленый» и «голубой» соответственно. Концептуальное сходство звучания слов имеет свой смысл, но именно это затрудняет разговор, например, о том же цвете на той же людной вечеринке: «Простите, вы сказали “bofoc” или “bofog”?»[229]

Впрочем, некоторые современные искусственные языки устроены иначе: в них используют принципы, сформулированные Хэммингом и Шенноном. Один из самых успешных примеров такого подхода – язык ложбан[230]; в нем действует строгое правило, согласно которому два базовых корня (ginsu) не могут быть фонетически близкими.

Представление Хэмминга о расстоянии соответствует философии Фано: величина, которая крякает как расстояние, имеет право на то, чтобы вести себя как расстояние. Но нужно ли останавливаться на этом? Множество точек, расположенных от заданной центральной точки на расстоянии, меньшем или равном 1, имеет в евклидовой геометрии свое название: круг, или, в большей размерности, сфера[231]. Таким образом, мы должны обозначить множество строк, расстояние Хэмминга которых от кодового слова не больше 1[232], термином «сфера Хэмминга», в центре которой находится кодовое слово. Для того чтобы код был кодом с исправлением ошибок, ни одна строка (ни одна точка, если серьезно относиться к этой аналогии) не может находиться на расстоянии 1 от двух разных кодовых слов; другими словами, требуется, чтобы две сферы Хэмминга с соответствующими кодовыми словами в центре не имели общих точек.

Таким образом, задача конструирования кодов с исправлением ошибок имеет такую же структуру, что и классическая геометрическая задача про упаковку сфер: каким образом разместить множество сфер одинакового размера в небольшом пространстве как можно плотнее, при условии что любые две сферы никогда не пересекутся? Проще говоря, сколько апельсинов можно уложить в ящик?

Задача упаковки сфер гораздо старше кодов с исправлением ошибок; этой проблемой занимался в свое время астроном Иоганн Кеплер, в 1611 году написавший на латинском языке трактат Strena, seu de nive sexangula («Новогодний подарок, или О шестиугольных снежинках»)[233]{196}. Название довольно причудливое, но Кеплер на самом деле обращается к общим вопросам происхождения естественных форм. Почему снежинки и пчелиные соты образуют шестиугольники, тогда как семенная камера яблока состоит из пяти частей? Почему зерна граната имеют, как правило, двенадцать плоских сторон? Кстати последний вопрос имеет самое непосредственное отношение к нашей современной жизни.

Посмотрим, что по этому поводу говорит Кеплер. Гранатовое дерево стремится поместить под кожицей своего плода как можно больше зерен; другими словами, оно решает задачу упаковки сфер. При условии, что природа делает свою работу очень качественно и сверхответственно, эти сферы должны быть размещены с максимальной плотностью. Кеплер предложил, по его утверждению, самый оптимальный вариант упаковки сфер. Для укладки нижнего слоя следует начать с плоской стороны зерен, расположив их таким традиционным образом, как показано на рисунке.

Следующий слой должен выглядеть аналогично, но зернышки необходимо выложить так, чтобы каждое разместилось в маленьком треугольном углублении, образованном тремя зернами нижнего слоя. Затем необходимо точно так же выкладывать следующие слои зерен граната. При укладке требуется проявлять некоторую осторожность: только половина углублений будет поддерживать сферы следующего уровня, и на каждом этапе предстоит решать, какую именно половину углублений вы хотите заполнить. Традиционное решение, которое называется «гранецентрированная кубическая решетка», имеет одно замечательное свойство: на каждом очередном уровне есть сферы, расположенные непосредственно над сферами тремя уровнями ниже. По мнению Кеплера, не существует способа более плотной упаковки сфер в пространстве[234]. В гранецентрированной кубической решетке каждая сфера соприкасается ровно с двенадцатью другими сферами. Кеплер считал, что по мере роста зерен граната каждое из них начинает придавливать своих двенадцать соседей, из-за чего поверхность у точки соприкосновения становится плоской и зерна граната превращаются в фигуры с двенадцатью гранями[235].

Понятия не имею, был ли прав Кеплер насчет граната[236], но его утверждение, что гранецентрированная кубическая решетка обеспечивает самую плотную упаковку сфер, на целые столетия оказалось в центре пристального интереса математиков. Кеплер не сформулировал доказательство своего утверждения; по всей вероятности, ему просто казалось очевидным, что гранецентрированную кубическую решетку превзойти невозможно. С ним солидарны целые поколения бакалейщиков, пакующие апельсины в соответствии с гранецентрированной кубической конфигурацией. Однако математикам как людям требовательным понадобилось абсолютное подтверждение, причем не только в отношении окружностей и сфер. В мире чистой математики ничто не мешает выйти за рамки окружностей и сфер, устремиться к более высоким размерностям и начать упаковать так называемые гиперсферы в пространство с количеством измерений больше трех. Не позволяет ли геометрическая история об упаковке сфер в пространстве с большей размерностью лучше понять теорию кодов с исправлением ошибок, подобно геометрической истории о проективном плане? В данном случае поток перемещается главным образом в другом направлении[237]: открытия в области кодирования подстегнули прогресс в области упаковки сфер. Например, в 1960-е годы Джон Лич, применив один из кодов Голея, построил в двадцатичетырехмерном пространстве невероятно плотную упаковку сфер. Конфигурация, известная сегодня как «решетка Лича», представляет собой крайне густонаселенное место, в котором каждая из двадцатичетырехмерных сфер соприкасается с 196 560 соседними сферами. До сих пор неизвестно, обеспечивает ли она самую плотную упаковку сфер в двадцатичетырехмерном пространстве, но в 2003 году Генри Кон[238] и Абхинав Кумар доказали, что, если более плотная решетка и существует, она обеспечит плотность упаковки сфер больше плотности решетки Лича максимум в

1,00000000000000000000000000000165 раз,

то есть довольно близко к решетке Лича{197}[239].

Я пойму вас и даже прощу, если вы скажете, что вам, мол, нет никакого дела до двадцатичетырехмерных сфер и того, как можно их упаковать. Но важно понимать один момент: любой математический объект, столь невероятный, как решетка Лича, приобретает весьма большое значение, и к нему должно отнестись крайне серьезно. Как выяснилось, решетка Лича содержит множество симметрий поистине экзотического вида – Джон Конвей, крупный специалист в области теории групп, узнал о ней в 1968 году, за двадцать четыре часа непрерывных вычислений он выписал на огромный рулон бумаги все симметрии решетки Лича{198}. В конечном счете эти симметрии позволили сформулировать последние фрагменты теории конечных групп симметрии, занимавшей умы алгебраистов на протяжении большей части ХХ столетия[240].

Что касается старых добрых трехмерных апельсинов… Оказывается, Кеплер был прав, настаивая, что его способ упаковки самый лучший, но это не было доказано еще целых четыре столетия, пока в 1998 году теорию Кеплера не подтвердил Томас Хейлс, в то время профессор Мичиганского университета. Хейлс решил этот вопрос с помощью сложного и изящного доказательства, в котором задача была сведена к анализу всего лишь нескольких тысяч сфер, выполненному посредством большого объема компьютерных вычислений. Для математического сообщества не проблема создать сложное и изящное доказательство (мы привыкли к такого рода трудам), и эта часть работы Хейлса быстро получила превосходную оценку и подтверждение правильности; но что касается большого объема компьютерных вычислений – тут сложилась более серьезная ситуация. Доказательство возможно проанализировать до последней детали, однако с компьютерной программой все обстоит иначе. Теоретически человек в состоянии проверить каждую строку кода, но, даже если он с этим справится, может ли он полагаться на то, что код будет выполняться корректно?

Почти все математики признали доказательство ученого, но, по всей видимости, самолюбие Хейлса было сильно задето сомнением коллег по поводу того, что при доказательстве ему пришлось воспользоваться компьютерными вычислениями. После подтверждения гипотезы Кеплера он отошел от геометрии, которая сделала его знаменитым, и занялся проектом формальной верификации доказательств. Хейлс предвидит появление математики будущего, отличной от современной, и работает над ее созданием. Он считает, что математические доказательства, независимо от того, как они выполнены – с помощью ли компьютера или с помощью карандаша и бумаги, – стали настолько сложными и взаимозависимыми, что мы больше не можем быть полностью уверенными в их корректности. Классификация конечных простых групп – к настоящему времени завершившийся проект, важной частью которого стал выполненный Конвеем анализ решетки Лича, – состоит из сотен работ сотен авторов. В итоге их труд занимает около десяти тысяч страниц, и не приходится утверждать, что хотя бы один человек из ныне живущих понимает его целиком. Так как мы можем быть уверены в его правильности?

По мнению Хейлса, у нас нет иного выбора, кроме как начать все с самого начала, перестроив всю совокупность математических знаний в пределах формальной структуры, которую можно будет проверять с помощью компьютера. Коль скоро код, проверяющий формальные доказательства, сам поддается проверке (с точки зрения Хейлса, эта цель вполне достижима), мы можем навсегда избавиться от споров вокруг проблемы, с которой столкнулся в свое время Хейлс, – действительно ли доказательство является доказательством. Что будет дальше? Возможно, на следующем этапе появятся компьютеры, способные конструировать доказательства или даже генерировать идеи без какого бы то ни было вмешательства человека.

Если так и произойдет, наступит ли конец математики? Безусловно. В том случае, если машины догонят, а затем и превзойдут человека во всех областях мыслительной деятельности; если они начнут использовать нас в качестве рабов, скота или игрушек, как предсказывают некоторые самые смелые футуристы, – тогда да, математике придет конец, как, собственно, и всему остальному. Но если исключить такой вариант, то математика, должно быть, выживет. По крайней мере хочется так думать. Если на то пошло, математика уже десятки лет обращается за помощью к компьютерам. Многие вычисления, которые в прошлом мы отнесли бы к категории исследований, сейчас считаются не более творческими или достойными похвалы, чем сложение ряда десятизначных чисел. Если что-то может сделать ваш ноутбук, значит, это что-то уже не математика. Тем не менее данное обстоятельство не оставило математиков без работы. Мы смогли сохранить свои позиции при каждодневно растущем доминировании компьютерной сферы. Мы продолжаем работать на опережение, подобно киногероям, обгоняющим огненный шар.

Если даже искусственный интеллект будущего сможет взять на себя большую часть работы, которая сегодня квалифицируется как научная деятельность, мы просто переведем эти исследования в категорию вычислений. А все, чем мы, люди с математическим складом ума, захотим заняться в освободившееся время, мы называем математикой.

Код Хэмминга довольно хорош, но наверняка найдется кто-то, рассчитывающий, что ему удастся создать код более совершенный. В конце концов, в коде Хэмминга присутствует определенная избыточность: даже во времена перфолент и механических реле компьютеры были настолько надежны, что почти все блоки из семи бит передавались без искажений. Этот код кажется слишком консервативным: мы вполне могли бы обойтись включением меньшего количества защитных битов в свои сообщения. И мы действительно можем это сделать – доказательством тому служит знаменитая теорема Шеннона. Например, если ошибки происходят с частотой одна ошибка на тысячу бит, Шеннон утверждает, что есть коды, которые сделают каждое сообщение всего на 1,2 % длиннее, чем то же сообщение без кода. Более того, делая базовые блоки все более длинными, можно найти коды, обеспечивающие заданную скорость и удовлетворяющие любым требованиям к надежности, какими бы жесткими они ни были.

Как Шеннон сконструировал свои безупречные коды? На самом деле ответ очень прост: он этого не делал. Когда мы встречаем такую сложную конструкцию, как код Хэмминга, то, разумеется, склонны думать, будто код с исправлением ошибок представляет собой некий особый код, который сначала разрабатывают, затем вносят в него изменения, после чего пишут его снова – и так до тех пор, пока каждая пара кодовых слов не окажется осторожно разделенной, но при этом любые другие два кодовых слова не будут находиться слишком близко друг к другу. Гениальность Шеннона состояла в том, что он понял всю необоснованность подобных представлений. В кодах с исправлением ошибок нет ничего особенного. Шеннон доказал – это было не сложно, как только он понял, что именно нужно доказывать, – что почти все наборы кодовых слов обладают свойством исправления ошибок. Другими словами: совершенно случайный код, не имеющий никакой структуры, с очень большой вероятностью является кодом с исправлением ошибок.

Это было поразительное открытие, если не сказать больше. Представьте себе, что вам дали задание построить аппарат на воздушной подушке. Вряд ли вы начнете с того, что в беспорядке разбросаете на земле кучу резиновых трубок и деталей двигателя, рассчитывая, что то, что получилось, полетит.

Хэмминг в 1986 году посвятил Шеннону почти восторженные слова – даже сорок лет спустя его открытие производило на математиков огромное впечатление:

Храбрость – качество, которым Шеннон владел в полной мере. Достаточно вспомнить о его главной теореме. Он хочет создать метод кодирования, но не знает, что делать, поэтому создает случайный код. Затем он заходит в тупик. А после задает невероятный вопрос: «Что сделал бы обычный случайный код?» Позже он доказывает, что обычный код вполне хорош, а значит, должен существовать как минимум один хороший код. Кто кроме человека беспредельной храбрости посмел бы размышлять о чем-то подобном? Это и есть черта великих ученых: им свойственна храбрость. Они идут вперед при невообразимых обстоятельствах; они никогда не прекращают мыслить.

Но если случайный код с большой вероятностью может быть кодом с исправлением ошибок, в чем смысл кода Хэмминга? Почему просто не выбрать кодовые слова совершенно случайным образом, опираясь на знание – согласно теореме Шеннона, – что этот код, по всей вероятности, будет исправлять ошибки? Вот одна из проблем этого плана. Недостаточно, чтобы код в принципе был способен исправлять ошибки; он должен быть применимым на практике. Если в одном из кодов Шеннона используются блоки размером 50, тогда количество кодовых слов равно количеству строк из 0–1 длиной 50 бит, что составляет 2 в степени 50, немногим более квадриллиона. Большое число. Ваш космический корабль получает сигнал, который предположительно является одним из квадриллиона кодовых слов или как минимум близок к одному из них. Но какое именно кодовое слово? Не перебирать же квадриллион кодовых слов по одному! Снова происходит комбинаторный взрыв, и в данном контексте это влечет за собой еще один компромисс. Коды со сложной структурой, такие как коды Хэмминга, в большинстве случаев легко декодировать. Однако сугубо специальные коды оказались не столь эффективными, как совершенно случайные коды, которые изучал Шеннон! За прошедшие с тех пор десятилетия, вплоть до настоящего времени, математики пытались одолеть эту границу между структурой и случайностью, кропотливо работая над созданием оптимальных кодов – достаточно случайных, чтобы быть быстрыми, и достаточно структурированных, чтобы поддаваться декодированию.

Код Хэмминга прекрасно подходит для трансильванской лотереи, но он неэффективен в случае лотереи Cash WinFall. В трансильванской лотерее всего семь чисел, в лотерее штата Массачусетс их сорок шесть. Следовательно, нам понадобится код побольше. Лучший код, который мне удалось найти для этой цели, открыл в 1976 году Ральф Деннистон из Лестерского университета{199}. И это очень красивый код.

Деннистон составил список из 285 384 комбинаций шести чисел из сорока восьми. Этот список начинается так:

1 2 48 3 4 8

2 3 48 4 5 9

1 2 48 3 6 32

В первых двух билетах четыре общие числа: 2, 3, 4 и 48. Однако (в этом и заключается поразительная особенность системы Деннистона) среди всех этих 285 384 лотерейных билетов вы не найдете пяти совпадающих чисел. Систему Деннистона можно перевести в код, как мы сделали это с плоскостью Фано, – заменив числа каждого билета строкой из 48 единиц и нулей, в которой 0 стоит на позициях, соответствующих числам вашего билета, а 1 – на позициях, соответствующих числам, которых в билете нет. Таким образом, первый билет из приведенных выше можно представить в виде такого кодового слова:

000011101111111111111111111111111111111111111110

Проверьте сами: тот факт, что среди всех этих лотерейных билетов нет двух билетов с пятью совпадающими числами из шести, означает, что этот код, подобно коду Хэмминга, не содержит два кодовых слова, разделенных расстоянием Хэмминга, меньшим четырех[241].

Это можно сформулировать так: каждая комбинация из пяти чисел присутствует в максимум одном из билетов Деннистона. На самом деле все даже лучше: по существу, каждая комбинация из пяти чисел присутствует ровно в одном билете[242].

Можете представить, какой тщательности требует выбор комбинаций чисел, входящих в список Деннистона? Деннистон включил в свою работу компьютерную программу на языке алгол, которая проверяет список на предмет того, действительно ли он обладает заявленным магическим свойством – для 1970-х годов жест довольно прогрессивный. Тем не менее Деннистон настаивает, что роль компьютера в этой работе следует расценивать как вторичную по отношению к его собственной: «На самом деле я хотел бы заявить, что все объявленные здесь результаты были получены без использования компьютера, хотя я допускаю, что их можно проверить с помощью компьютеров».

В лотерее Cash WinFall всего сорок шесть чисел, поэтому, чтобы сыграть в нее по методу Деннистона, придется немного нарушить красивую симметрию его системы, выбросив из его списка все билеты с числами 47 и 48. После этого у вас все еще останется 217 833 лотерейных билета. Предположим, вы достанете из тайника 435 666 долларов и решите поиграть в числа. Что произойдет?

В розыгрыше лотереи выпадает по шесть чисел – скажем, 4, 7, 10, 11, 34 и 46. Если произойдет маловероятное событие, эти числа совпадут с числами в одном из ваших лотерейных билетов – и вы получаете джекпот. Но даже если этого не произойдет, вы все равно сможете выиграть кучу денег по тем лотерейным билетам, в которых совпадут пять из шести чисел. Есть ли у вас билет с числами 4, 7, 10, 11, 34? В одном из билетов Деннистона такие числа есть, а значит, единственный случай, когда у вас не окажется такого билета, – если в нем были числа 4, 7, 10, 11, 34, 47 или 4, 7, 10, 11, 34, 48, поэтому вы его выбросили.

Но как насчет другой комбинации из пяти чисел, скажем 4, 7, 10, 11, 46? Может быть, вам не повезло в первый раз, потому что билет с числами 4, 7, 10, 11, 34, 47 был одним из билетов Деннистона. Но в таком случае билет 4, 7, 10, 11, 46, 47 не может быть в списке Деннистона, поскольку пять чисел этого билета совпадают с пятью числами билета, который, как вам известно, входит в этот список. Другими словами, если из-за злополучного числа 47 вы упустите один из призов за пять угаданных чисел, это не приведет к тому, что вы упустите и все остальные призы. То же самое можно сказать и о числе 48. Вот список возможных выигрышных билетов в категории «Пять угаданных чисел из шести»:

4, 7, 10, 11, 34

4, 7, 10, 11, 46

4, 7, 10, 34, 46

4, 7, 11, 34, 46

4, 10, 11, 34, 46

7, 10, 11, 34, 46

Минимум четыре из этих билетов гарантированно окажутся среди ваших. В действительности, если вы купите 217 833 лотерейных билета Деннистона, у вас будет такая вероятность выигрыша:

вероятность выиграть джекпот составляет 2 %;

вероятность выиграть шесть призов в категории «Пять из шести» составляет 72 %;

вероятность выиграть пять призов в категории «Пять из шести» составляет 24 %;

вероятность выиграть четыре приза в категории «Пять из шести» составляет 2 %.

Сравните этот подход со стратегией Селби, который выбирал числа случайным образом с помощью функции Quic Pick. В этом случае существует небольшая вероятность 0,3 % вообще потерять все призы категории «Пять угаданных чисел из шести». Более того, вероятность выиграть только один приз этой категории составляет 2 %, два приза – 6 %, три приза – 11 % и четыре приза – 15 %. Гарантированная прибыльность стратегии Деннистона уступает место риску. Безусловно, у этого риска есть свое преимущество: команда Селби может выиграть более шести таких призов с вероятностью 32 %, что невозможно в случае выбора лотерейных билетов по системе Деннистона. Билеты Селби, билеты Деннистона и любые другие билеты имеют одну и ту же ожидаемую ценность, однако метод Деннистона защищает игрока от воли случая. Чтобы играть в лотерею, ничем не рискуя, недостаточно играть сотнями тысяч билетов; необходимо играть правильными сотнями тысяч билетов.

Является ли эта стратегия причиной того, что члены группы Random Strategies тратили так много времени на заполнение сотен тысяч лотерейных билетов вручную? Использовали ли они систему Деннистона, разработанную в духе чистой математики, ради того чтобы выкачать деньги из лотереи без всякого риска для себя? Здесь мои изыскания зашли в тупик. Мне удалось связаться с Юраном Ли, но он не знал наверняка, как выбирались эти билеты; он сказал только, что у них в общежитии был человек, к которому они обращались за помощью и который занимался всеми вопросами, связанными с алгоритмом выбора чисел. Я не уверен, использовал ли этот человек систему Деннистона или что-то в этом роде. Но если нет, то думаю, ему следовало бы так поступить.

К настоящему моменту мы всеми возможными способами обосновали вывод о том, что решение играть в лотерею почти всегда является неудачным с точки зрения ожидаемого количества денег, а также что в тех редких случаях, когда ожидаемая денежная стоимость лотерейного билета превышает его цену, необходимо очень тщательно подходить к вопросу извлечения максимальной пользы из тех билетов, которые вы покупаете.

Учитывая все это, экономистам с математическим складом мышления придется объяснить один неудобный факт – тот самый, что более двух сотен лет назад озадачил Адама Смита. Лотереи очень и очень популярны. Дело в том, что лотерея – совсем не та ситуация, которую изучал Эллсберг. Когда люди сталкиваются с проблемой принятия решений при неизвестных обстоятельствах, которые невозможно установить. Крошечный шанс выиграть в лотерею выставлен на всеобщее обозрение. Закон, гласящий, что люди склонны принимать решения, которые в той или иной степени приносят им максимальную пользу, является одним из столпов экономики и действительно позволяет моделировать поведение в самых разных областях, от ведения бизнеса до выбора спутника жизни. Но это не касается лотереи. Для определенной категории экономистов такое иррациональное поведение в такой же мере неприемлемо, как для пифагорейцев была неприемлемой иррациональная длина гипотенузы. Подобное не вписывается в их модель происходящего – и все же оно имеет место быть.

Экономисты мыслят более гибко, чем пифагорейцы. Вместо того чтобы в ярости топить гонцов с плохими вестями, они адаптируют свои модели к реальности. Одну известную интерпретацию предложили наши старые друзья Милтон Фридман и Леонард Сэвидж, которые предположили, что игроки в лотерею придерживаются волнообразной кривой полезности, отображающей тот факт, что люди думают о богатстве в категориях классов, а не в количественных величинах. Если вы, будучи представителем среднего класса, тратите на лотерею пять долларов в неделю и проигрываете, такое решение обходится вам в небольшую сумму денег, но не меняет ваш социальный статус: несмотря на потерю денег, отрицательная полезность почти близка к нулю. Но, если вы выиграете, это переведет вас в другую социальную группу. Вы можете считать это моделью «смертного одра»: когда вы окажетесь при смерти, будет ли вас беспокоить мысль, что вы умираете с несколько меньшим количеством денег – и все потому, что любили играть в лотерею? По всей вероятности, нет. Будет ли для вас иметь значение тот факт, что в тридцать пять лет вы ушли на пенсию и остаток жизни провели где-то на Карибских островах, занимаясь подводным плаваньем, – и все потому, что выиграли большой приз в лотерею? Да, будет.

Еще больше отдалившись от классической теории, Даниель Канеман и Амос Тверски выдвинули предположение, что люди в основном склонны придерживаться образа действий, отличающегося от того, что предписывает кривая полезности, причем не только когда Дэниел Эллсберг ставит перед ними свою урну, но и в целом в жизни. Их работа о теории перспектив, за которую Канеман впоследствии получил Нобелевскую премию, рассматривается сейчас в качестве основополагающей в концепции бихевиористской экономики, чья задача состоит в создании максимально точной модели поведения людей: как они действуют на самом деле, а не как должны действовать согласно абстрактной концепции рациональности. Теория Канемана – Тверски гласит: люди склонны придавать маловероятным событиям большее значение по сравнению с человеком, придерживающимся аксиом Неймана – Моргенштерна. Именно поэтому притягательность джекпота превосходит уровень, который можно было бы считать приемлемым согласно строгой оценке ожидаемой полезности.

Однако самое простое объяснение не требует никаких сложных теоретических выкладок. Все просто: лотерейный билет, независимо от того, выиграете вы или нет, в каком-то смысле просто развлечение. Развлечение не того уровня, как отдых на Карибских островах или танцы всю ночь напролет, но все-таки… Стоит ли оно одного-двух долларов? Видимо, да. Есть основания поставить это объяснение под вопрос (сами игроки в лотерею называют перспективу выигрыша в качестве основной причины для игры), но оно наилучшим образом проливает свет на то поведение, которое мы видим.

Экономика – это не физика, а полезность – это не энергия. Полезность не сохраняется, подобно энергии, а взаимодействие между двумя людьми может оставить их с большей полезностью, чем то, с чего они начинали. Лотерея – это не регрессивный налог, а игра, когда люди платят штату небольшие комиссионные за несколько минут развлечения, которое штат может организовать с минимумом затрат. Кстати, благодаря вырученным средствам библиотеки будут работать и уличные фонари будут светить. Подобно тому как две страны торгуют друг с другом, в случае с лотереей выигрывают обе стороны сделки.

Поэтому, да – играйте в лотерею, если она приносит вам удовольствие. Математика вам это разрешает!

Безусловно, такая точка зрения не лишена недостатка. Приведу еще одну мысль Паскаля; он дает, как всегда, мрачную оценку возбуждению, которое вызывают азартные игры:

Паскаль считает презренным удовольствие от азартных игр. А если это удовольствие выходит за рамки разумного, то, конечно оно может навредить человеку. Подобные рассуждения оборачиваются своей обратной стороной и начинают звучать в поддержку лотерей. Предполагаю, что продавцы метамфетамина и их клиенты поддерживают такие же взаимовыгодные отношения. Говорите о метамфетамине все, что хотите, но вы не можете отрицать: многие люди получают от него настоящее удовольствие[244].

Как насчет другого сравнения? Оставим наркоманов и подумаем о владельцах малого бизнеса, гордости Америки. Открытие магазина или продажа услуг – отнюдь не то же самое, что покупка лотерейных билетов. Ведя свой небольшой бизнес, вы в какой-то степени контролируете собственный успех. Однако у этих двух явлений есть нечто общее: для большинства людей открытие компании – это заведомо проигрышное дело. Не имеет значения, насколько вкусным будет ваш соус для барбекю, или насколько новаторским будет ваше приложение, или насколько жесткими будут ваши методы ведения бизнеса, – у вас гораздо больше шансов потерпеть неудачу, чем добиться успеха. Такова природа предпринимательства, поскольку вы балансируете на грани между очень низкой вероятностью разбогатеть, довольно большой вероятностью зарабатывать на жизнь тяжелым трудом и существенно высокой вероятностью потерять все свои деньги. Если подсчитать цифры, для большой части потенциальных предпринимателей ожидаемая финансовая ценность, подобно ценности лотерейного билета, окажется меньше нуля. Обычные предприниматели (как и обычные покупатели лотерейных билетов) переоценивают свои шансы на успех. Даже бизнес, которому удается уцелеть, обычно приносит своим владельцам меньше денег, чем они получили бы в виде заработной платы в успешной компании{201}. Тем не менее общество в целом выигрывает от существования мира, в котором люди вопреки здравому смыслу начинают свой бизнес. Нам нужны рестораны, нужны парикмахерские, нужны игры для смартфонов. Можно ли назвать предпринимательство «налогом на глупость»? Вас назвали бы сумасшедшим, если вы посмели бы сказали нечто подобное. Отчасти это объясняется тем, что мы относимся к владельцу бизнеса с большим уважением, чем к азартному игроку, поскольку нам трудно отделить свои нравственные установки в отношении той или иной деятельности от суждений, которые мы делаем по поводу рациональности. Однако полезность ведения бизнеса измеряется не только в ожидаемой денежной стоимости. Сам акт осуществления мечты или даже попытки ее осуществить – уже есть часть вознаграждения.

Как бы там ни было, именно к такому выводу пришли Джеймс Харви и Юран Лу. После закрытия лотереи WinFall они переехали на запад и основали в Кремниевой долине стартап, который продает компаниям системы для ведения переговоров в онлайновом режиме. (На странице Харви среди его интересов есть такой скромный пункт: «нетрадиционные инвестиционные стратегии».) В момент написания этих строк Харви и Лу все еще ищут венчурный капитал. Может быть, они его когда-нибудь получат. Если нет, держу пари, что вскоре они снова начнут новый бизнес – какой бы ни была ожидаемая ценность – в расчете на то, что следующая ставка, которую они сделают, окажется выигрышной.

В начале 1930-х годов, как и в настоящее время, в американском деловом сообществе наступил период переоценки ценностей. Что-то пошло не так, это было очевидно. Но что именно? Был ли кризис 1929 года и последовавшая за ним Великая депрессия непредсказуемой катастрофой? Или американская экономика дала системный сбой?

У Хораса Секриста были все возможности ответить на этот вопрос. Секрист был профессором статистики и руководителем отдела исследований в области ведения бизнеса Северо-Западного университета, специалистом по практическому применению методов количественного анализа в бизнесе, а также автором широко распространенного учебника по статистике для студентов и руководителей компаний{202}. Начиная с 1920 года, за несколько лет до кризиса, Секрист кропотливо собирал самые подробные статистические данные о сотнях коммерческих предприятий: от хозяйственных магазинов до железных дорог и банков. Он вносил в специальные таблицы информацию о расходах, общем объеме продаж, затратах на оплату труда и аренду помещений, а также любые другие данные, которые мог получить. На основании всех полученных данных Секрист пытался установить и классифицировать непостижимые различия, из-за которых некоторые компании процветали, тогда как другие едва сводили концы с концами.

Таким образом, в 1933 году, когда Секрист собирался обнародовать результаты своих аналитических исследований, его уже были готовы выслушать как в академических кругах, так и в мире бизнеса. Интерес к работе Секриста возрос еще больше, когда он раскрыл поразительную природу своих результатов, опубликовав книгу в 468 страниц, содержащую множество таблиц и графиков. Секрист не стеснялся в выражениях и назвал свой труд The Triumph of Mediocrity in Business («Триумф посредственности в бизнесе»).

Как Секрист пришел к такому выводу, звучащему как приговор? Во-первых, он разделил компании в каждом секторе на группы, тщательно отделив успешные (компании с высоким уровнем дохода и низким уровнем затрат) от неэффективных неудачников. Например, в 1916 году 120 магазинов одежды, которые изучал Секрист, сначала были упорядочены по отношению объема продаж к объему расходов, а затем разделены на шесть групп («секстили») по двадцать магазинов в каждой группе. Секрист считал, что со временем магазины из верхнего секстиля закрепят свой успех и займут еще более высокие позиции по мере совершенствования и без того хороших навыков работы на рынке. Но на самом деле он обнаружил нечто прямо противоположное. Большинство магазинов верхнего секстиля к 1922 году утратили большинство своих преимуществ по сравнению с обычными; они по-прежнему были более успешными, чем средние магазины, но в общем и целом ничего выдающегося в них больше не наблюдалось. Более того, магазины нижнего секстиля (самые худшие) испытали на себе тот же эффект, но в обратном направлении: их результативность повысилась до среднего уровня. Может быть, и существовал особый гений, покровительствующий магазинам верхнего секстиля, ведший их к вершине успеха, но за каких-то шесть лет он исчерпал свои силы. Посредственность восторжествовала.

Секрист обнаружил этот феномен в компаниях всех категорий. На уровень посредственности скатились как хозяйственные, так и продуктовые магазины. Причем никакого значения не имела используемая система оценок. Секрист пытался оценить работу компаний по таким показателям, как отношение заработной платы к продажам, арендной платы к продажам или по любым другим статистическим показателям, к которым у него был доступ. Не играло никакой роли. Со временем лидеры начинали выглядеть и вести себя точно так же, как представители общей массы.

Книга Секриста как будто выплеснула ушат холодной воды в лицо деловой элиты, которая к тому времени и без того чувствовала себя неуютно. Многие эксперты увидели в таблицах и графиках Секриста численное опровержение мифов, лежавших в основе предпринимательства. Роберт Ригель из Университета в Буффало писал:

Какая сила толкает самые лучшие и самые худшие компании к среднему уровню? Данная сила должна иметь отношение к поведению человека, поскольку этот феномен не был замечен в мире природы. Секрист со свойственной ему тщательностью провел аналогичный тест в отношении температуры воздуха в июле в 191 городе США. В этом случае не было обнаружено никакой регрессии. В городах, в которых было жарче всего в 1922 году, было так же жарко и в 1931-м.

После десятилетий сбора статистических данных и изучения деятельности американских компаний Секрист сделал вывод, что знает ответ. Причина заключалась в природе самой конкуренции, которая толкает успешные компании вниз и поддерживает их некомпетентных конкурентов. Вот что он писал по этому поводу:

Вы можете допустить, чтобы нечто подобное сказал профессор школы бизнеса в наше время? Совершенно немыслимо. В современной системе понятий рыночная конкуренция – это очищающий клинок, отсекающий как людей некомпетентных, так и 10 % тех, кто не дотягивает до максимального уровня компетентности. Второразрядные компании находятся во власти тех, кто лучше их, а не наоборот.

Однако Секрист видел другое: свободный рынок, на котором компании разных размеров и уровня квалификации соперничали друг с другом, скорее напоминал ему школы с одним классом, к 1933 году все практически упраздненные:

Последняя часть высказывания звучит несколько… даже не знаю, как сказать… Вам она ничего не напоминает? Кто еще в 1933 году говорил о превосходстве… о высшей расе… об угрозе выхолащивания общества со стороны низших существ?

После того как мы отметили некоторое своеобразие взглядов Секриста на образование, нас вряд ли удивит, что его концепция регрессии восходит к идеям британского ученого XIX столетия Фрэнсиса Гальтона, разработавшего основы евгеники. Гальтон был самым младшим из семи детей, своего рода вундеркиндом. Прикованная к постели старшая сестра Адель воспринимала обучение брата как единственную радость в жизни. В два года Фрэнсис уже умел написать свое имя, а в четыре писал сестре такие письма: «Я могу вычислить любую сумму в сложении и могу умножать на 2, 3, 4, 5, 6, 7, 8, 9, 10. Я также знаю наизусть таблицу перевода пенсов в шиллинги и фунты. Я немного читаю на французском и знаю, как называть время»{207}. В восемнадцать лет Гальтон начал изучать медицину, но после смерти отца, оставившего ему солидное состояние, он внезапно обнаружил, что его больше не интересует традиционная карьера. Какое-то время Гальтон был исследователем и возглавлял экспедиции во внутренние регионы Африки. Историческое появление в 1859 году дарвиновского «Происхождения видов» повлекло за собой кардинальное изменение интересов Гальтона. Он вспоминал, что «жадно поглощал материал книги и сразу же все усваивал»{208}. С тех пор большая часть работы Гальтона была посвящена наследственности человеческих характеристик: физических, психических и интеллектуальных. Исследования привели Гальтона к политическим воззрениям, явно сомнительным с современной точки зрения. Вступительная часть его книги Hereditary Genius («Наследственность таланта»[245]), написанной в 1869 году, позволяет составить представление об этом:

Гальтон обосновал свою точку зрения интересным методом: изучая достижения известных британцев (духовные лица, судьи, борцы за свободу), он тщательно исследовал их истории жизни и пришел к выводу, что знаменитые англичане[246] имеют несоразмерно большое количество выдающихся родственников. Книга «Наследственность таланта» встретила большое противодействие со стороны духовенства, так как сугубо натуралистический взгляд на мирской успех оставлял мало места для более традиционного представления о Божьем промысле. Особенно раздражающим было заявление Гальтона, что даже успех в духовных поисках возникает под влиянием наследственности, другими словами, как отметил один критик, «благочестивый человек обязан своим благочестием не столько (как мы всегда считали) прямому воздействию на его душу Святого Духа, который дышит, где хочет, а скорее, доставшемуся от отца физическому наследию в виде строения тела, приспособленного к религиозным чувствам»{209}. Если в год выхода книги у Гальтона еще оставались друзья среди религиозных деятелей, то три года спустя, после публикации небольшой статьи Statistical Inquiries into the Efficacy of Prayer («Статистические наблюдения об эффективности молитвы»), он их точно всех растерял. Итоговый вывод автора был краток: действенность молитвы сильно преувеличена.

Напротив, научное сообщество викторианской эпохи приняло книгу Гальтона с большим воодушевлением, если не сказать со слепым одобрением. Чарльз Дарвин впал в своего рода интеллектуальное исступление и написал Гальтону письмо, даже не дочитав книгу до конца.

Честно говоря, Дарвин мог быть необъективным, поскольку Гальтон был его двоюродным братом. Более того, Дарвин действительно считал, что математические методы позволяют ученым сформировать более богатое видение мира, хотя его собственная работа была в гораздо меньшей степени основана на количественных данных по сравнению с работой Гальтона. В своих мемуарах он писал о ранних годах обучения следующее:

Возможно, Дарвин почувствовал, что в работе Гальтона он наконец видит начало биологии, выходящей за пределы обычного чувственного восприятия, для развития которой ему самому не хватало математической подготовки.

Критики книги «Наследственность таланта» утверждали, что, хотя наследственность умственных наклонностей действительно имеет место, Гальтон преувеличивает ее значимость по сравнению с другими факторами, от которых зависит успех. Поэтому Гальтон попытался определить степень, в которой родительское наследие определяет нашу судьбу. Однако измерить наследственность «гения» было нелегко: как можно было дать точную количественную оценку того, насколько выдающимися являются выдающиеся англичане? Не останавливаясь перед трудностями, Гальтон обратился к характеристикам человека, которые можно было легче отобразить на числовой шкале (например, рост). Как было известно Гальтону и всем остальным, у высоких родителей обычно рождаются высокие дети. Когда мужчина ростом 188 сантиметров и женщина ростром 178 сантиметров вступают в брак, их сыновья и дочери, по всей вероятности, будут иметь рост выше среднего.

Вот в чем состоит удивительное открытие Гальтона: дети не всегда оказываются такими высокими, как их родители. Такая же закономерность имеет место и у низкорослых родителей, только в обратном направлении: их дети также будут иметь низкий рост, но не настолько, как у самих родителей. Гальтон открыл феномен, который сейчас называют регрессией к среднему значению. Его данные не оставляли сомнений, что этот феномен действительно существует. В своем основном труде Natural Inheritance («Наследование в природе»), опубликованном в 1889 году, он писал:

Гальтон считал, что то же самое должно касаться умственных способностей и интеллектуальных успехов, поскольку это соответствует тому, что происходит в реальной жизни: дети великого композитора, ученого или политического лидера зачастую добиваются какого-то признания в той же области, что их выдающиеся родители, но редко достигают, как они, высшей точки славы. Гальтон наблюдал тот же феномен, который Секрист откроет впоследствии в сфере бизнеса. Выдающиеся качества не сохраняются навсегда; проходит время, и посредственность заявляет о себе[249].

Однако между Гальтоном и Секристом есть большое различие. Гальтон был в глубине души математиком, а Секрист – нет. Поэтому Гальтон понимал, почему имеет место регрессия, тогда как Секрист оставался в неведении по этому поводу.

Гальтон понимал, что рост человека зависит от сочетания врожденных качеств и внешних факторов, к числу которых может относиться окружающая среда, состояние здоровья в детстве или просто случай. Мой рост 185 сантиметров; отчасти это связано с тем, что у моего отца такой же, и я унаследовал от него часть генов, от которых зависит, быть человеку высоким или нет. Но, кроме того, это объясняется тем, что в детстве я хорошо питался и не испытывал никаких слишком сильных стрессов, которые тормозили бы мой рост. Кроме того, мой рост, вне всякого сомнения, то усиливали, то замедляли другие факторы, сопутствующие моей жизни, начиная с утробы матери. Люди имеют высокий рост или по причине наследственной предрасположенности, или потому, что их росту способствуют внешние факторы, или по обеим причинам сразу. Чем выше человек, тем больше вероятность, что высокому росту способствуют именно обе причины.

Другими словами, люди, относящиеся к самому высокому сегменту населения, почти наверняка имеют более высокий рост, чем тот рост, который у них должен быть согласно генетической предрасположенности. Они родились с хорошими генами, но, помимо этого, их высокому росту способствовала окружающая среда и случай. Дети таких людей унаследуют их гены, но нет никаких гарантий, что внешние факторы снова будут способствовать более высокому росту, чем рост, обусловленный наследственностью. Таким образом, в среднем дети будут выше обычного человека, но не такими высокими, как их родители. Именно это вызывает регрессию к среднему значению: не загадочная сила, которая благоволит посредственности, а просто воздействие наследственности в сочетании со случаем. Поэтому Гальтон пишет, что регрессия к среднему «теоретически целесообразна». Сначала этот феномен показался ему неожиданным аспектом полученных данных, но, как только он понял, что происходит, ему стало ясно, что иначе не может быть.

То же самое касается и бизнеса. Секрист не ошибался по поводу компаний, получавших самую большую прибыль в 1922 году: по всей вероятности, это были компании с самым эффективным управлением в своих секторах. Но им также сопутствовало везение. С течением времени руководство этих компаний вполне могло оставаться таким же мудрым и проницательным. Однако у компаний, которым повезло в 1922 году, было не больше шансов на такое же везение через десять лет, чем у любой другой компании. В итоге компании, принадлежавшие к верхнему секстилю, с течением времени начали терять свои позиции.

На самом деле практически все жизненные обстоятельства, которые сопряжены со случайными колебаниями во времени, могут быть подвержены влиянию регрессии. Вы когда-либо садились на абрикосовую и сырную диету? Теряли на ней около полутора килограммов? Вспомните тот момент, когда вы решили похудеть. Скорее всего, это произошло в тот момент, когда ваш вес находился в верхней части обычного диапазона колебаний веса, поскольку именно в таких случаях вы смотрите на весы или на свою талию и говорите себе: черт, с этим надо что-то делать. Но, если все происходит именно так, вы вполне могли бы потерять полтора килограмма без всяких диет в тот период, когда ваш вес вернулся бы к нормальному значению. Следовательно, такая потеря веса ничего не говорит об эффективности диеты.

Эту задачу можно попытаться решить методом случайной выборки: выберите случайным образом две сотни пациентов, определите, у кого из них избыточный вес, а затем посадите этих людей на диеты. Но затем вы будете делать то, что сделал в свое время Секрист. Сегмент населения с избыточным весом во многом напоминает верхний секстиль компаний. Эти люди страдают избыточным весом с большей вероятностью, чем среднестатистический человек. Однако в их случае более высока и вероятность того, что в день взвешивания они окажутся в верхней части своего диапазона веса. Подобно тому как компании Секриста опускались со временем до среднего уровня, пациенты с избыточным весом также будут терять вес, независимо от эффективности диеты. Именно поэтому лучшие исследования в области диет не изучают результаты только одной диеты; они сравнивают две диеты, чтобы понять, какая из них приводит к большей потере веса. Регрессия к среднему значению должна в равной степени воздействовать на каждую группу людей, придерживающихся диеты, с тем чтобы сравнение было достоверным.

Почему второй роман блестяще начавшего писателя или второй альбом внезапно прославившейся группы так редко бывает столь же хорошим, что и первый? Не потому или не совсем потому, что большинство творческих людей могут сказать миру что-то лишь единожды. Причина в том, что творческий успех, так же как и все остальное в жизни, представляет собой сочетание таланта и удачи, а значит, подвержен влиянию регрессии к среднему значению[250].

Раннинбеки[251], подписывающие крупные долгосрочные контракты, как правило, пробегают меньше ярдов во время следующего сезона[252]. Некоторые специалисты утверждают, будто это объясняется тем, что у них уже нет финансовых стимулов прилагать усилия, чтобы пробежать больше ярдов, а также что здесь играет роль психологический фактор. Однако не менее важно другое: подписание крупного контракта стало результатом очень результативного года. Было бы странно, если в следующем сезоне эти спортсмены не вернулись бы к обычному уровню результативности.

Я пишу эти строки в апреле, в начале бейсбольного сезона, когда каждый год нам преподносят целый букет информационных материалов, повествующих, какие игроки «близки» к достижению невообразимых рекордных результатов. Сегодня из передачи на канале ESPN я узнал, что Мэтт Кемп «готов к яркому началу, обеспечив среднюю результативность отбивания 0,460 и будучи близким к достижению таких показателей, как 86 хоумранов[253], 210 ранов по его удару (RBI) и 172 засчитанные пробежки»{211}. Данные показатели – совершенно поразительные, поскольку никто за всю историю Главной лиги бейсбола не выбивал больше 73 хоумранов за один сезон, – типичный пример ложной линейности. Это напоминает такую текстовую задачу: «Если Марсия может покрасить 9 домов за 17 дней и у нее есть 162 дня на то, чтобы покрасить как можно больше домов…»

Кемп выбил девять хоумранов в первых семнадцати матчах команды «Доджерс»[254], что составило 9/17 ранов на один матч. Таким образом, даже алгебраист-любитель мог бы записать следующее линейное уравнение:

Один важный момент, которому Секрист не уделил должного внимания, был особенно отмечен многими исследователями, обладавшими математическим складом ума. На фоне преимущественно уважительных отзывов о работе Секриста резко выделялось знаменитое статистическое противостояние, которое началось с публикации статьи Гарольда Хотеллинга в Journal of the American Statistical Association{213}. Хотеллинг был выходцем из Миннесоты, сыном торговца сеном; он поступил в колледж для изучения журналистики, но затем обнаружил незаурядные способности к математике{214}. (Если Фрэнсис Гальтон занялся бы изучением биографий выдающихся американцев, он с радостью узнал бы, что, несмотря на скромное происхождение Хотеллинга, среди его предков были один из лидеров колонии Массачусетского залива[256] и архиепископ Кентерберийский.) Подобно Абрахаму Вальду, Хотеллинг начал с чистой математики, написав докторскую диссертацию по алгебраической топологии в Принстоне. Впоследствии он возглавил Группу статистических исследований в Нью-Йорке – то самое место, в котором Вальд объяснял армейским чиновникам, что броню на самолетах следует укреплять там, где нет пулевых отверстий. Когда в 1933 году вышла книга Секриста, Хотеллинг был молодым преподавателем Колумбийского университета, сотрудники которого внесли весомый вклад в теоретическую статистику, особенно в связи с решением экономических проблем. Ходили слухи, что он любит мысленно играть в «Монополию». Хотеллинг запоминал игровое поле и частоту появления различных карточек «шанс» и «казна» – для него это было простое упражнение на генерирование случайных чисел и мысленное ведение учета. Это позволяет составить представление как об интеллекте Хотеллинга, так и о том, что доставляло ему удовольствие.

Хотеллинг полностью погрузился в научные исследования, поэтому в Секристе он увидел родственную душу. И даже написал не без некоторого сочувствия: «По всей вероятности, для обработки и непосредственного сбора данных понадобился огромный труд».

Затем ситуация обострилась{215}. Хотеллинг указывает на то, что триумф посредственности, о котором говорил Секрист, происходит в той или иной мере автоматически каждый раз, когда мы изучаем переменную, находящуюся под влиянием как устойчивых, так и случайных факторов. Сотни таблиц и графиков Секриста «доказывают всего лишь то, что рассматриваемые показатели, как правило, колеблются». Хотеллинг пытается объяснить свою точку зрения с помощью одного очевидного наблюдения. Секрист считал, что регрессия к среднему значению происходит в результате разрушающего воздействия конкурирующих сил с течением времени; именно конкуренция привела к тому, что магазины, добившиеся больших успехов в 1916 году, оказались в 1922 году немногим выше среднего уровня. Но что произойдет, если выбрать магазины, работающие максимально эффективно в 1922 году? Согласно анализу Гальтона, эти магазины, по всей вероятности, были и везучими, и хорошими. Если повернуть время вспять и вернуться в 1916 год, присущее им эффективное управление сохранилось бы, но им могла изменить удача. Отмеченные магазины были бы ближе к посредственности в 1916 году по сравнению с 1922 годом. Другими словами, если регрессия к среднему значению, как считал Секрист, является естественным результатом конкурирующих сил, оказалось бы, что эти силы работают в обратном направлении во времени в такой же степени, что и в прямом.

Критика Хотеллинга носила вежливый, но твердый характер, а его слова были наполнены скорее печалью, чем гневом: он пытался самым вежливым способом объяснить уважаемому коллеге, что тот зря потратил десять лет своей жизни. Однако Секрист не понял намека. В следующем выпуске Journal of the American Statistical Association было опубликовано недовольное ответное письмо, в котором Секрист отметил, что в критическом обзоре Хотеллинга присутствует несколько заблуждений, а в остальном он просто упустил самое главное. Секрист упорно продолжал настаивать на том, что возврат к посредственности – это не просто общий статистический закон, а скорее закон, распространяющийся на «данные, подверженные влиянию конкурентного давления и управленческого контроля». После этого Хотеллинг перестал быть вежливым и высказался открыто: «Тезис этой книги, – написал он в ответ, – если правильно его интерпретировать, по существу тривиален… “Доказательство” такого математического результата посредством дорогостоящего и длительного численного исследования соотношения прибылей и затрат в компаниях разных типов аналогично доказательству таблицы умножения посредством размещения слонов рядами и колоннами, а затем выполнению таких же операций со многими другими видами животных. Такое представление, возможно забавное и имеющее определенную педагогическую ценность, не вносит ценного вклада ни в зоологию, ни математику».

Трудно судить Секриста слишком строго. Самому Гальтону понадобилось около двадцати лет, чтобы полностью понять смысл регрессии к среднему значению. Многие ученые неправильно восприняли идеи его основного труда. Во время лекции в 1905 году биометрист Уолтер Уэлдон, который сделал себе имя доказательством, что выводы Гальтона в отношении изменчивости человеческих качеств применимы в равной степени и к креветкам, сказал о его работе следующее:

Биологи искренне считают, что регрессия связана с биологией, специалисты по теории управления (такие как Секрист) предпочитают связывать ее с конкуренцией, литературные критики приписывают ее творческому истощению – но дело не в этом. Все дело в математике.

И тем не менее, несмотря на разъяснения Хотеллинга, Уэлдона и самого Гальтона, смыл регрессии к среднему так и не был понят до конца. Суть этого феномена передается неправильно не только на спортивной странице Wall Street Journal; ровно то же происходит даже с учеными. Один особенно яркий пример можно найти в статье о лечении дивертикулеза посредством отрубей, опубликованной в 1976 году в British Medical Journal{217}. (Мне уже немало лет, и я хорошо помню, как в 1976 году приверженцы здорового образа жизни говорили об отрубях с таким же благоговением, с каким сейчас говорят о жирных кислотах омега-3 и антиоксидантах.) Авторы этой статьи фиксировали «время прохождения орально-анального пути» каждого пациента (другими словами, время, за которое пища проходит по телу от входа до выхода) до и после лечения отрубями. Они пришли к выводу, что отруби оказывают заметное регуляторное воздействие. «У всех пациентов с быстрым прохождением пищи этот процесс замедлился до 48 часов… у пациентов со средним периодом прохождения не было замечено никаких изменений… а у пациентов с медленным прохождением процесс ускорился до 48 часов. Таким образом, отруби способствовали изменению как медленного, так и быстрого времени прохождения до среднего значения 48 часов». Разумеется, в точности такого же результата следовало ожидать, если отруби не оказывали бы никакого воздействия. Мягко говоря, у всех нас есть дни, когда пища проходит медленно, и дни, когда это происходит быстро, в каком бы состоянии ни был наш желудочно-кишечный тракт. За необычно быстрым прохождением пищи в понедельник может последовать среднее прохождение во вторник, независимо от того, были в меню отруби или нет[257].

Стоит отметить также взлет и падение программы Scared Straight! («Напуганы до исправления!»). Согласно ей малолетним правонарушителям устраивали экскурсии в тюрьмы, где заключенные рассказывали им об ужасах, которые ждут их в заключении, если они не встанут на путь исправления как можно быстрее. О первом этапе этой программы, который проходил в тюрьме штата Нью-Джерси, шла речь в получившем «Оскар» документальном фильме Scared Straight! снятом в 1978 году. После этого аналогичные программы были организованы по всей территории Соединенных Штатов и даже Норвегии. Подростки с восторгом рассказывали о том моральном «волшебном пенделе», который они получали от программы, а надзирателям и заключенным нравилось то, что они могут сделать что-то общественно полезное. Программа резонировала с распространенным, глубоко укоренившимся мнением, будто причина правонарушений среди детей и подростков заключается во вседозволенности со стороны взрослых и общества. Организаторы программы в Новом Орлеане сообщили, что ее участников после перевоспитания арестовывают в два раза реже, чем до того.

Но на самом деле работала не программа. Малолетние правонарушители по сути ни чем не отличались от Секристовых плохо работающих магазинов: их выбирали не случайным образом, а потому что они были худшими в своей группе. Закон регрессии гласит, что подростки, которые вели себя самым плохим образом в этом году, скорее всего и в следующем будут продолжать нарушать закон, но не так часто. Сокращение количества арестов – это то, чего следовало ожидать даже в случае, если программа вообще не оказывала бы никакого воздействия.

Вряд ли стоит говорить, что Scared Straight! вообще не имела никакого эффекта. Имела. В ходе рандомизированных испытаний была отобрана группа малолетних преступников. Когда они прошли курс перевоспитания, исследователи сравнили их поведение с поведением остальных групп и выяснили, что программа приводит к усилению антисоциального поведения{218}. Наверное, стоило бы поменять ее название на Scared Stupid! («Напуганы до одурения!»).

Гальтон показал, что регрессия к среднему значению имеет место каждый раз, когда изучаемый феномен находится под влиянием игры случайных факторов. Но насколько сильны эти факторы по сравнению с влиянием наследственности?

Чтобы понять, о чем говорят данные, Гальтону пришлось представить их в графическом виде, более наглядном, чем столбец чисел. Впоследствии он вспоминал:

Подобный метод визуализации данных берет свое начало в аналитической геометрии Рене Декарта, предлагающего нам рассматривать точки на плоскости как пары чисел (координата х и координата y). Таким образом, аналитическая геометрия объединила алгебру и геометрию прочными объятиями, в которые они заключены с тех пор навсегда.

Каждой паре «отец – сын» соответствует пара чисел, а именно – рост отца, затем рост сына. Рост моего отца 185 сантиметров, у меня такой же рост; следовательно, если информация о нашем росте входила бы в набор данных Гальтона, мы были бы записаны как (185, 185). И Гальтон зафиксировал бы наше существование, отметив на своем листе бумаги точку с координатами x = 185 и y = 185. Для каждого сына и отца в огромном массиве данных Гальтона необходимо было сделать отметку на бумаге, и это продолжалось до тех пор, пока на листе не появлялось множество точек, отображающих весь диапазон значений роста. Гальтон изобрел тип графика, который мы называем теперь диаграммой разброса[258]{220}.

Диаграммы разброса особенно хорошо раскрывают взаимосвязи между двумя переменными. Загляните в любой современный научный журнал – почти в каждом найдется целый ряд таких диаграмм. В конце XIX столетия наступил период расцвета визуализации данных. Шарль Минар в 1869 году составил знаменитую диаграмму, отображающую резкое сокращение численности армии Наполеона во время похода в Россию и последующего отступления (эту диаграмму часто называют величайшим графиком всех времен). Диаграмма Минара, в свою очередь, была преемником диаграммы Флоренс Найтингейл «петушиный гребень»[259], на которой со всей наглядностью было показано, что в ходе Крымской войны большинство британских солдат погибли от различных инфекционных заболеваний, а не от рук русских.

Диаграмма «петушиный гребень» и диаграмма разброса согласуются с нашими когнитивными способностями: мозг человека плохо воспринимает столбцы чисел, но прекрасно справляется с анализом закономерностей и данных, представленных в двумерном поле зрения.

В некоторых случаях это не вызывает никаких трудностей. Предположим, например, что каждый сын и отец имеют одинаковый рост, как у меня с моим отцом. Это та самая ситуация, когда случай не играет никакой роли[260], а ваш рост целиком и полностью зависит от унаследованных от отца качеств. В таком случае все точки нашей диаграммы разброса будут иметь одинаковые координаты x и y; другими словами, они будут сосредоточены в непосредственной близости от диагональной линии, уравнение которой x = y:

Обратите внимание, что плотность точек больше у середины и меньше у концов графика; это означает, что количество мужчин ростом 176 сантиметров больше количества мужчин ростом 185 сантиметров и 163 сантиметра.

Что происходит в противоположном случае, когда рост сыновей никак не связан с ростом отцов? При таком варианте диаграмма разброса выглядела бы так:

На этом рисунке, в отличие от предыдущего, нет смещения точек в сторону диагонали. Если вы обратите внимание только на сыновей, у отцов которых рост 185 сантиметров (вертикальный срез в правой части диаграммы разброса), точки, соответствующие росту сыновей, по-прежнему сосредоточены в области 176 сантиметров. Будем говорить, что условное математическое ожидание роста сына (другими словами, каким в среднем будет рост сына при условии, что у отца рост 185 сантиметров) совпадает с безусловным математическим ожиданием (средний рост сыновей, рассчитанный без учета роста отца). Именно так выглядела бы диаграмма Гальтона, если не было бы наследственных особенностей, оказывающих влияние на рост. Это регрессия к среднему значению в самом выраженном виде: сыновья высоких отцов возвращаются к среднему росту, оказываясь в итоге не выше сыновей низкорослых отцов.

Однако диаграмма разброса Гальтона не похожа ни на один из этих крайних случаев. Напротив, она представляет собой нечто среднее между ними:

Что представляет собой на этом графике средний рост сына отца, рост которого 185 сантиметров? Я нарисовал вертикальный срез, чтобы показать, какие точки на диаграмме разброса соответствуют этим парам «отец – сын».

Как видите, в срезе «отец ростом 185 сантиметров» концентрация точек под диагональю больше, чем над ней, а значит, сыновья в среднем ниже ростом, чем их отцы. С другой стороны, они явно выше 175 сантиметров, роста обычного мужчины. В массиве данных, которые я отобразил на этом графике, средний рост этих сыновей составляет около 183 сантиметров, то есть они выше среднего роста, но не такие высокие, как отцы. Вы смотрите сейчас на изображение регрессии к среднему значению.

Гальтон сразу заметил, что его диаграммы разброса, полученные как результат взаимодействия между наследственностью и случаем, имеют далеко не случайную геометрическую структуру. Создавалось впечатление, что все они в той или иной мере заключены в эллипс с центром в точке, в которой отцы и дети имеют одинаковый средний рост.

Эту наклонную эллиптическую форму можно обнаружить даже в первичных данных, представленных в таблице из работы Гальтона «Регрессия к посредственности на примере наследуемого роста», опубликованной в 1886 году: обратите внимание на фигуру, которую образуют отличные от нуля числа в этой таблице. Кроме того, из таблицы становится ясно, что я не все рассказал о совокупности данных Гальтона. В частности, его ось y – это не «рост отца», а «среднее между ростом отца и ростом матери, умноженном на 1,08»[261] (что Гальтон называет «средним родителем»).

Примечание. При расчете медиан учитывались средние значения показателей в соответствующих клетках таблицы. В заголовках столбцов указаны числа 62,2, 63,2 и т. д., поскольку данные наблюдений неравномерно распределены между показателями 62 и 63, 63 и 64 и т. д. с сильным смещением в сторону целых дюймов. Тщательно все взвесив, я пришел к выводу, что заголовки столбцов в предложенном виде лучше всего удовлетворяют заданным условиям. В случае роста средних родителей такая неравномерность не была очевидной.

На самом деле Гальтон сделал еще кое-что: он тщательно начертил на своей диаграмме разброса кривые линии, вдоль которых плотность точек была примерно одинаковой. Подобные кривые называются «изоплеты» – и вам они известны, разве что не под таким именем. Если мы возьмем карту США и проведем на ней линию, соединяющую места, в которых сегодня температура 25 градусов, 10 градусов или любая другая фиксированная температура, получатся знакомые кривые синоптической карты, которые называются «изотермы». Настоящая синоптическая карта содержит также «изобары», соединяющие места с одинаковым атмосферным давлением, или «изонефы», соединяющие места с одинаковым облачным покровом. Если измерять высоту, а не температуру, то изоплеты представляют собой контурные линии, называющиеся «изогипсы», которые можно найти на топографических картах. Представленная ниже карта изоплет показывает среднегодовое количество снежных бурь на континентальной части территории США{221}:

Изоплету изобрел не Гальтон. Первую опубликованную карту изоплет создал в 1701 году Эдмунд Галлей, британский Королевский астроном, который объяснял королю, как правильно оценивать аннуитеты[262]. Навигаторы уже знали, что магнитный северный меридиан не всегда совпадает с истинным северным меридианом. Понимание того, где и в какой степени они не совпадают, играло важнейшую роль для успешных путешествий по океану. Кривые на карте Галлея, получившие название «изогоны», показывали мореплавателям области одинаковых расхождений между магнитным и истинным северным меридианом{222}. Эти данные были основаны на измерениях, сделанных Галлеем на борту корабля Paramore, который несколько раз пересекал Атлантический океан во главе с Галлеем. (Этот человек знал, чем себя занять между визитами комет.)

Гальтон обнаружил поразительную регулярность: все его изоплеты представляли собой эллипсы, каждый из которых был заключен в следующий, причем у всех эллипсов был один центр. Это напоминало контурную карту горы идеальной эллиптической формы с вершиной, которой соответствовали два значения роста, чаще всего встречавшиеся в выборке Гальтона: средний рост родителей и детей. Эта гора представляет собой не что иное, как трехмерную версию колоколообразной кривой под названием «шлем жандарма», которую изучал Абрахам де Муавр; сегодня мы используем термин «двумерное нормальное распределение».

Когда рост сыновей совершенно не зависит от роста родителей (как на второй диаграмме разброса), эллипсы Гальтона представляют собой круги, данные на диаграмме также образуют круг. Когда рост сыновей полностью зависит от наследственности, а элемент случайности отсутствует (как на первой диаграмме разброса), данные расположены вдоль прямой линии, что можно представить себе как самый вытянутый эллипс. Между этими двумя крайними случаями мы имеем эллипсы различной толщины, которую специалисты по классической геометрии называют «эксцентриситетом» эллипса. Эксцентриситет отображает степень, в которой рост отца определяет рост сына. Высокий эксцентриситет означает, что имеет место сильная наследственность и слабая регрессия к среднему значению; низкий эксцентриситет означает противоположное: ситуацию контролирует регрессия к среднему. Гальтон называл этот показатель «корреляцией» – мы используем его до сих пор. Если эллипс Гальтона почти круглый, корреляция близка к 0; если эллипс сильно вытянут в направлении с северо-востока на юго-запад, корреляция близка к 1. С помощью эксцентриситета (геометрической величины, возраст которой совпадает с возрастом работы Аполлония Пергского в III столетии до нашей эры). Гальтон нашел способ измерять связь между двумя переменными и благодаря этому решил важнейшую задачу биологии XIX столетия: задачу количественного анализа наследственности.

Возможно, здоровый скептицизм заставляет вас задать вопрос: что если данные на диаграмме разброса не образуют эллипс? Что тогда? На этот вопрос есть прагматический ответ: на практике диаграммы разброса реальных массивов данных во многих случаях действительно образуют фигуры, близкие к эллипсам, – не всегда, но достаточно часто, чтобы сделать этот метод широко применимым. Вот как выглядит диаграмма разброса, если отобразить на ней долю избирателей, проголосовавших за Джона Керри в 2004 году, в сравнении с долей избирателей, проголосовавших за Барака Обаму в 2008 году. Каждая точка соответствует одному избирательному округу.

Эллипс здесь налицо, причем очень вытянутый, а это значит, что существует высокая степень корреляции между долей избирателей, проголосовавших за Керри, и долей избирателей, проголосовавших за Обаму. Очевидно, что большая часть графика расположена над диагональю; это говорит о том, что в целом Обама получил больше голосов, чем Керри.

На следующем графике представлены данные о ежедневных изменениях курсов акций Google и General Electric (GE) за несколько лет.

Следующим будет рисунок, который мы уже видели, – график взаимозависимости между стоимостью обучения в нескольких университетах штата Северная Каролина и средним баллом SAT.

Далее представлены 50 штатов США, расположенные на диаграмме разброса по среднему доходу и доле избирателей, проголосовавших за Джорджа Буша во время президентских выборов 2004 года{223}. На этой диаграмме богатые либеральные штаты, такие как Коннектикут, расположены в нижней правой части диаграммы, а поддерживающие республиканцев штаты с более скромными доходами, такие как Айдахо, – в верхней левой части.

Эти данные взяты из самых разных источников, однако все четыре диаграммы разброса имеют примерно такую же эллиптическую форму, что и диаграмма роста родителей и детей. В первых трех случаях имеет место положительная корреляция: увеличение одной переменной связано с увеличением другой; при этом эллипс вытянут с северо-востока на юго-запад. На последнем графике отображена отрицательная корреляция: в целом более богатые штаты больше поддерживают демократов, а эллипс вытянут с северо-запада на юго-восток.

Аполлоний и древнегреческие геометры представляли себе эллипсы как конические сечения – поверхности, полученные пересечением конуса плоскостью. Кеплер показал (хотя астрономическому сообществу понадобилось несколько десятилетий, чтобы понять это), что планеты движутся по эллиптическим орбитам, а не по круговым, как считалось ранее. Теперь та же кривая возникает в качестве естественной фигуры, к которой заключены данные о росте родителей и детей. Чем это можно объяснить? Причина не в том, что существует некий невидимый конус, управляющий наследственностью, который в случае отсечения под правильным углом дает эллипсы Гальтона. Причина также не в том, что некая форма генетического притяжения приводит к появлению эллиптических фигур на диаграммах Гальтона посредством ньютоновских законов механики.

Причина заключается в одном фундаментальном свойстве математики – в каком-то смысле именно это свойство сделало математику столь полезной для естествоиспытателей. В математике существует множество сложных объектов, но совсем немного простых. Следовательно, если у вас есть задача, решение которой допускает простое математическое описание, значит, существует только несколько вариантов такого решения. Таким образом, самые простые математические объекты широко распространены и выполняют множество обязанностей в качестве решений научных задач разных типов.

Самые простые линии – прямые. Очевидно, что прямые линии присутствуют в природе повсюду, от граней кристаллов до траектории движущихся тел при отсутствии силы, которая на них воздействует. Следующий тип простейших линий – линии, представленные квадратными уравнениями[263], то есть уравнениями, в которых друг на друга умножаются не более двух переменных. Таким образом, возведение переменной в квадрат, или умножение двух разных переменных, разрешено, тогда как возведение переменной в куб, или умножение одной переменной на квадрат другой, строго запрещено. Линии этой категории, в том числе эллипсы, из уважения к истории называют коническими сечениями, однако более прогрессивные специалисты по алгебраической геометрии называют их квадриками[264], или кривыми второго порядка. Существует множество квадратных уравнений, причем любое из них имеет такой вид:

A x² + B xy + C y² + D x + E y + F = 0

для некоторых значений постоянных A, B, C, D, E и F. (Читатели, у которых возникнет такое желание, могут удостовериться, что с учетом нашего требования о возможности умножения двух, но не трех переменных другие типы алгебраических выражений недопустимы.) Создается впечатление, что это обеспечивает много вариантов – по сути, бесконечно много! Однако эти квадрики, оказывается, подразделяются на три основные категории: эллипсы, параболы и гиперболы[265]. Вот как они выглядят:

Мы встречаем три кривые снова и снова в качестве решения научных задач, и это не только орбиты планет, но и оптимальная конструкция изогнутых зеркал, траектория движения брошенного тела, форма радуги.

Эти кривые можно встретить даже за пределами науки. Мой коллега Майкл Харрис, известный специалист по теории чисел из Института математики Жюсье в Париже, выдвинул предположение, что три главных романа Томаса Пинчона связаны с тремя коническими сечениями: в романе Gravity’s Rainbow («Радуга земного тяготения»)[266] идет речь о параболах (все эти ракеты, которые взлетают и падают!); в романе Mason & Dixon («Мэйсон и Диксон») – об эллипсах; в романе Against the Day («На день погребения Моего»)[267] – о гиперболах{224}. Эта теория кажется мне такой же хорошей, как и все остальные об организации этих романов, которые я встречал. Безусловно, Пинчону, изучавшему в свое время физику и любившему упоминать в своих романах о ленте Мебиуса и о кватернионах, хорошо известно, что такое конические сечения.

Гальтон обратил внимание на то, что кривые, которые он нарисовал от руки, похожи на эллипсы, но он не был настолько большим знатоком геометрии, чтобы быть уверенным в том, что это именно та кривая, а не любая другая более или менее овальная фигура. Не потакает ли он своему стремлению сформулировать элегантную и универсальную теорию воздействия на восприятие собранных данных? Он был бы не первым и не последним ученым, совершившим такую ошибку. Гальтон, будучи неизменно осмотрительным, обратился за советом к математику из Кембриджского университета Джеймсу Дугласу Гамильтону Диксону. Он пошел даже на то, чтобы скрыть происхождение данных, представив все как задачу из области физики, чтобы исключить предвзятое мнение Диксона в отношении того или иного конкретного вывода. К великому удовольствию Гальтона, Диксон быстро подтвердил тот факт, что эллипс – это не просто кривая, подразумеваемая собранными данными, а кривая, присутствия которой требует теория. Гальтон писал:

Возможно, эта задача была не такой уж трудной для опытного математика, но я никогда не встречал такого теплого чувства доверия и уважения по отношению к независимости и размаху математического анализа, как в тот момент, когда пришел его ответ, посредством чистых математических рассуждений подтверждающий все многообразие моих кропотливых статистических выводов с гораздо большей тщательностью, чем я смел надеяться, поскольку данные были несколько грубыми и мне пришлось крайне осторожно сглаживать их{225}.

Гальтон быстро понял, что идея корреляции не ограничивается изучением наследственности и применима к любой паре характеристик, которые могут быть так или иначе связаны друг с другом.

Получилось так, что в распоряжении Гальтона оказалась огромная база данных анатомических параметров такого рода, которые в конце XIX столетия пользовались большой популярностью благодаря работе Альфонса Бертильона. Бертильон был французским криминологом, у которого было много общего с Гальтоном: он придерживался сугубо количественного взгляда на человеческую жизнь и был убежден в преимуществах такого подхода[268]. В частности, Бертильона поразил бессистемный и беспорядочный способ идентификации преступников, который использовала в то время французская полиция. Насколько лучше и современнее, рассуждал Бертильон, было бы связать с каждым правонарушителем ряд числовых параметров, таких как длина и ширина головы, длина пальцев и стоп и так далее. Согласно системе Бертильона каждого арестованного подозреваемого измеряли, а его данные записывали на карточки и сохраняли для использования в будущем. Теперь, если этого человека снова задержат, все, что нужно для его идентификации, – это взять кронциркуль, сделать необходимые измерения и сравнить их с карточками в его деле. «Ага, мистер 15-6-56-42, вы думали, вам удастся сбежать, не так ли?» Вместо имени можно использовать псевдоним, но не существует псевдонимов для формы головы.

Система Бертильона, которая соответствовала аналитическому духу того времени, была принята префектурой полиции Парижа в 1883 году и быстро распространилась по всему миру. На пике успеха бертильонаж применялся в полицейских участках от Бухареста до Буэнос-Айреса. «Картотека Бертильона, – писал Реймонд Фосдик в 1915 году, – стала отличительной чертой современной организации полиции»{226}. В свое время эта практика получила такое большое распространение в Соединенных Штатах Америки, что судья Энтони Кеннеди сослался на нее в решении по делу «Штат Мэриленд против Кинга», разрешавший штатам брать образцы ДНК у лиц, совершивших тяжкие уголовные преступления. По мнению Кеннеди, последовательность ДНК – это просто еще одна последовательность элементов данных, закрепленных за подозреваемым, своего рода карточка Бертильона XXI столетия.

Гальтон спросил себя: является ли выбор параметров Бертильона самым лучшим из всех возможных? Или подозреваемых можно идентифицировать более точно, если измерить больше параметров? Гальтон понял: проблема в том, что физические параметры не являются полностью независимыми. Если вы уже измерили руки подозреваемого, нужно ли вам измерять и его стопы? Знаете, что говорят о людях с большими руками: их ноги, выражаясь статистически, вероятнее всего, также больше среднего размера. Следовательно, включение данных о длине стопы не увеличивает объем информации на карточке Бертильона в такой степени, как можно было бы предположить. Включение все большего количества параметров (если они плохо подобраны) может привести к устойчивому снижению эффекта.

Чтобы изучить этот феномен, Гальтон построил еще одну диаграмму разброса, на этот раз отображающую рост в сравнении с «локтем» (расстоянием от локтя до кончика среднего пальца){227}. К большому удивлению Гальтона, он обнаружил ту же эллиптическую схему, что и в случае роста отцов и сыновей. В очередной раз он наглядно продемонстрировал, что две переменные, рост и локоть, связаны между собой, хотя одна в строгом смысле не определяет другую. Если существует высокая корреляция между двумя параметрами (такими как длина левой стопы и длина правой), нет особого смысла в том, чтобы тратить время на запись обоих чисел. Лучше всего регистрировать те параметры, которые не связаны друг с другом. А соответствующую корреляцию можно вычислить на базе огромного массива антропометрических данных, которые Гальтон уже собрал.

Получилось так, что открытие корреляции, сделанное Гальтоном, не привело к созданию усовершенствованной системы Бертильона. Причиной тому был сам Гальтон, который разработал альтернативную систему – дактилоскопию, которую мы называем снятием отпечатков пальцев. Подобно системе Бертильона, дактилоскопия сводила подозреваемого к списку чисел или символов, которые можно было отметить на карточке, разделить по категориям и приобщить к делу. Однако у дактилоскопии был ряд очевидных преимуществ, самое важное из которых заключалось в том, что отпечатки пальцев преступника во многих случаях можно было получить при отсутствии самого преступника. Наглядным подтверждением этого стало дело Винченцо Перуджи, укравшего картину «Мона Лиза» из Лувра. Свое дерзкое похищение он совершил при свете дня в 1911 году. Накануне Перуджа был арестован в Париже, но его добросовестно заполненная карточка Бертильона, внесенная в картотеку по значениям различных физических параметров, оказалась бесполезной. Если бы в этих карточках была дактилоскопическая информация, те отпечатки, которые Перуджа оставил на выброшенной раме картины «Мона Лиза», позволили бы сразу его опознать[269].

Я немного солгал, когда говорил о системе Бертильона. На самом деле он записывал не точное числовое значение каждого физического параметра, а только то, является ли он маленьким, средним или большим. Измеряя длину пальца, вы разделяете преступников на три группы: с короткими пальцами, со средними пальцами и с длинными пальцами. Измеряя локти, вы разделяете каждую из этих трех групп на три подгруппы, так что преступники теперь разделены на девять групп. Выполнение всех пяти измерений согласно базовой системе Бертильона разделяет преступников на

Есть одна нить, которую мы еще не распутали. Мы уже видели, как регрессия к среднему объясняет открытый Секристом «триумф посредственности». Но есть еще триумф посредственности, которого Секрист не заметил. Отслеживая температуру воздуха в американских городах, Секрист обнаружил, что в городах, в которых было жарче всего в 1922 году, было так же жарко и в 1931 году. Это наблюдение играет важную роль в его аргументации в пользу того, что регрессия коммерческих предприятий связана именно с особенностями человеческого поведения. Если регрессия к среднему значению – это универсальное явление, тогда почему температура не подчиняется этому закону?

Ответ прост: регрессия к среднему имеет место и в случае температуры.

В представленной ниже таблице показана средняя январская температура в градусах Фаренгейта на тринадцати метеостанциях на юге штата Висконсин, которые находятся не далее чем в часе езды друг от друга.

Построив диаграмму разброса этих температур по методу Гальтона, вы увидите, что в целом в городах, в которых было теплее в 2011 году, была более высокая температура и в 2012 году[273].

Однако три метеостанции с самой высокой температурой в 2011 году (Чармани, аэропорт Мэдисона и Стоутон) оказались на первом, седьмом и восьмом местах по уровню температуры в 2012 году. Между тем, три метеостанции, которые были в 2011 году самыми холодными (Коттедж Гроув, Лоудай и Портедж), в 2012 году стали относительно более теплыми: Портедж занял четвертое место в списке станций с самой низкой температурой, Лоудай второй, а Коттедж Гроув стал, по сути, более теплым местом в 2012 году, чем все остальные города. Другими словами, как самые жаркие, так и самые холодные группы сместились к середине рейтингов, точно так же, как и хозяйственные магазины Секриста.

Почему Секрист не увидел этого эффекта? Потому что он по-другому выбрал метеостанции. Его города не были сосредоточены на небольшой территории верхнего Среднего Запада, а были рассредоточены на гораздо большей территории. Давайте проанализируем январскую температуру воздуха в Калифорнии, а не в Висконсине.

Здесь нет никакой регрессии. В холодных местах, таких как Траки в горах Сьерра-Невада, по-прежнему сохраняется более низкая температура, а в жарких местах, таких как Сан-Диего и Лос-Анджелес, сохраняется высокая. Нанесение этих температур на график дает совсем другую картину.

Галтоновский эллипс, заключающий в себе эти точки, был бы очень узким. Различия между значениями температуры, которые можно увидеть в таблице, отображают тот факт, что некоторые места в Калифорнии по определению холоднее других, и эти базовые различия между городами поглощают случайные колебания температуры в разные годы. На языке Шеннона мы сказали бы, что здесь имеет место большой объем сигналов и не так уж много помех. В случае городов южной и центральной части штата Висконсин складывается прямо противоположная ситуация. С климатической точки зрения города Мазомани и Форт Аткинсон не очень отличаются друг от друга. В любой отдельно взятый год уровень температуры в этих городах в значительной мере зависит от случая. Другими словами, здесь имеет место много помех и не так уж много сигналов.

Секрист считал регрессию, которую он так тщательно задокументировал, новым законом физики бизнеса, который привнесет больше определенности и строгости в научное изучение коммерции. Но все получилось ровно наоборот. Если компании подобны городам в Калифорнии (некоторые поистине успешные, другие совсем нет, что отражает присущие им особенности методов ведения бизнеса), соответственно, и регрессия к среднему будет у этих компаний меньше. На самом деле выводы Секриста говорят, что компании скорее подобны городам в штате Висконсин. В высшей степени эффективное управление и глубокое понимание сути бизнеса играют роль, но то же самое можно сказать и о простой удаче.

В книге под названием «Как не ошибаться» было бы немного странным писать о Гальтоне и не упомянуть о его работе, получившей самую большую известность в нематематических кругах. Речь идет о теории евгеники, отцом которой его принято считать. Если в этой книге я утверждаю, что внимательное изучение математических аспектов жизни позволяет избегать ошибок, как мог такой ученый, как Гальтон, с его проницательностью в математических вопросах, так сильно ошибаться в отношении преимуществ выведения человеческих существ с желаемыми характеристиками? Гальтон считал свои взгляды в этой области умеренными и разумными, но они вызывают шок у современного человека:

Что я могу сказать? Математика помогает нам не ошибаться, но она не позволяет не ошибаться во всем. (Извините, плата за книгу возврату не подлежит!) Склонность к ошибкам подобна первородному греху: мы рождены с нею, и она остается с нами всегда, поэтому необходимо постоянно проявлять бдительность, если мы хотим ограничить сферу влияния этого качества на наши действия. Существует реальная опасность, что, усиливая способность анализировать некоторые вопросы математическими методами, мы обретаем общую уверенность в своих убеждениях, которая необоснованно распространяется и на то, в чем мы все же ошибаемся. В итоге мы уподобляемся тем благочестивым людям, у которых со временем возникает столь сильное ощущение собственной добродетели, что они считают благими даже плохие дела, которые совершают.

Я делаю все возможное, чтобы устоять против такого искушения. Но следите за мной внимательно.

Трудно переоценить влияние созданной Гальтоном концепции корреляции на тот концептуальный мир, в котором мы сейчас обитаем, – не только в статистике, но и во всех областях научной деятельности. Следует помнить, что корреляция не подразумевает наличия причинно-следственной связи: в понимании Гальтона два явления могут быть коррелированы между собой, даже если одно не приводит к возникновению другого. Само по себе это не было новостью. Безусловно, люди понимали, что родные братья и сестры чаще других пар людей обладают общими физическими характеристиками, но причина не в том, что сестры становятся высокими под влиянием высоких братьев. Тем не менее даже здесь где-то в тени притаилась причинно-следственная связь: высокий рост обоих детей обусловлен генетическим наследием родителей. В постгальтоновском мире стало возможным говорить о связи между двумя переменными, полностью отрицая существование любой конкретной причинно-следственной связи, прямой или косвенной. Порожденная Гальтоном концептуальная революция имеет нечто общее с выводами его знаменитого родственника, Чарльза Дарвина. Дарвин показал, что можно содержательно рассуждать о прогрессе без всякой необходимости упоминать о цели. Гальтон показал, что можно содержательно рассуждать о связи между явлениями без всякой необходимости упоминать о глубинной причине.

Исходное определение корреляции Гальтона было несколько ограниченным, распространяясь только на те переменные, распределение значений которых подчиняется закону нормального распределения, упоминавшемуся в главе четвертой. Однако Карл Пирсон[274] быстро адаптировал и обобщил эту концепцию так, чтобы ее можно было применять к любым переменным.

Если я написал бы здесь формулу Пирсона или если вы сами нашли бы ее в других источниках, вы увидели бы кучу квадратных корней и коэффициентов, которые не помогли бы вам понять суть этого вопроса, если только не владеете декартовой геометрией. Однако на самом деле формула Пирсона имеет очень простое геометрическое описание. Со времен Декарта математики пользуются замечательной возможностью переходить от алгебраических к геометрическим описаниям мира и наоборот. Преимущество алгебры состоит в том, что ее легче формализовать и ввести в компьютер. Преимущество геометрии в том, что она позволяет нам использовать свою физическую интуицию применительно к соответствующей ситуации, особенно когда можно нарисовать рисунок. У меня редко бывает такое чувство, что я действительно понял ту или иную математическую концепцию, пока не сформулирую все это на языке геометрии.

Так что же такое корреляция с точки зрения геометра? Давайте рассмотрим это на примере. Посмотрите еще раз на представленные выше таблицы, в которых указана средняя январская температура в десяти городах Калифорнии в 2011–2012 годах. Как мы уже видели, между показателями температуры за 2011 и 2012 год есть сильная положительная корреляция; формула Пирсона дает очень высокое значение корреляции в данном случае – 0,989.

Если нам необходимо изучить связь между показателями температуры за два разных года, изменение каждого элемента таблицы на одну и ту же величину не повлечет за собой никаких последствий. Если температура за 2011 год связана с температурой за 2012 год, эта связь сохранится и с показателями «температура за 2012 год + 5 градусов». Вот еще один способ сформулировать эту идею: если взять точки, изображенные на представленной выше диаграмме, и сдвинуть их на десять сантиметров вверх, это не изменит форму эллипса Гальтона, изменится только его местоположение. Как оказалось, полезно изменить значения температуры на одинаковую величину, причем такую, чтобы среднее значение было равным нулю как в 2011, так и в 2012 году. В итоге мы получим такую таблицу.

Отрицательные числа находятся в строках таблицы, соответствующих холодным городам, таким как Траки, а положительные – в строках городов с более мягким климатом, таких как Сан-Диего.

Хитрость вот в чем. Столбец из десяти чисел, соответствующих значениям температуры в январе 2011 года, – да, это ряд чисел. Но это также и точка. Как такое может быть? Все началось с нашего героя – Декарта. Пару чисел (x, y) можно рассматривать как точку на плоскости, которая находится на x единиц направо и y единиц вверх от начала координат. На самом деле мы можем нарисовать небольшую стрелку, указывающую от начала координат к нашей точке (x, y); эта стрелка называется «вектор».

Точно так же точку в трехмерном пространстве описывают три координаты (x, y, z). И ничто, кроме привычки и малодушного страха не мешает нам пойти еще дальше. Группу из четырех координат можно рассматривать как точку в четырехмерном пространстве, а группу из десяти чисел, как показатели температуры в Калифорнии из нашей таблицы, – это точка в десятимерном пространстве. А теперь попытайтесь представить себе десятимерный вектор.

К слову, у вас есть все основания спросить: как я должен себе это представить? Как выглядит десятимерный вектор?

Он выглядит так.

В этом и состоит маленький секрет продвинутой геометрии. Тот факт, что мы можем выполнять геометрические операции в десяти измерениях (или в сотне, или даже в миллионе и т. д.), производит большое впечатление, однако мысленные образы, которые мы храним в своей памяти, являются двумерными или самое большее трехмерными. Это все, с чем может работать наш мозг. К счастью, в большинстве случаев такого ограниченного видения достаточно.

Геометрия высших измерений может показаться недоступной для понимания, особенно учитывая, что мир, в котором мы живем, трехмерный (или четырехмерный, если учитывать время, или, может, двадцатишестимерный, если вы относитесь к числу специалистов по теории струн, но даже в таком случае Вселенная не выходит далеко за пределы этих измерений). Зачем же изучать геометрию, которая не реализована во Вселенной?

Один ответ связан с изучением данных, которые получили в наше время очень широкое распространение. Вспомните цифровую фотографию, сделанную четырехмегапиксельной фотокамерой: ее описание состоит из четырех миллионов чисел, по одному на каждый пиксел. (И это еще без учета цвета!) Следовательно, такое изображение представляет собой вектор с размерностью четыре миллиона, или, если угодно, точку в пространстве четырех миллионов измерений. А изображение, которое меняется со временем, представлено точкой, которая перемещается в пространстве с размерностью четыре миллиона, которая вычерчивает линию в пространстве с размерностью четыре миллиона, и вы не успеете опомниться, как уже будете выполнять исчисление в пространстве с размерностью четыре миллиона, после чего может начаться настоящее веселье.

Но вернемся к температуре. В нашей таблице два столбца чисел, каждый можно представить в виде десятимерного вектора. Вот как выглядят эти векторы.

Векторы указывают примерно в одном и том же направлении, а это говорит о том, что два столбца чисел не так уж отличаются друг от друга: как мы уже видели, города с самой низкой температурой в 2011 году остались такими же холодными в 2012 году, и то же самое можно сказать о самых теплых городах.

Это и есть формула Пирсона, представленная на языке геометрии. Корреляцию между этими двумя переменными определяет угол между двумя векторами. Если хотите представить это в тригонометрической форме, корреляция – это косинус угла между векторами. Не важно, помните ли вы, что такое косинус; вам нужно знать только то, что косинус угла равен 1, если угол равен 0 (то есть когда векторы указывают в одном направлении), и −1, если угол равен 180 градусам (векторы указывают в противоположных направлениях). Между двумя переменными имеет место положительная корреляция, когда соответствующие векторы образуют острый угол (то есть угол менее 90 градусов), и отрицательная корреляция в случае тупого угла (когда угол между векторами больше 90 градусов). Это имеет смысл: векторы, расположенные под острым углом друг к другу, в каком-то смысле указывают в одном направлении, тогда как векторы, которые образуют тупой угол, как будто преследуют разные цели.

Когда угол между векторами является прямым, то есть не острым и не тупым, корреляция между двумя переменными равна нулю, другими словами эти переменные не связаны друг с другом, во всяком случае с точки зрения, корреляции. В геометрии пара векторов, образующих прямой угол, называются перпендикулярными, или ортогональными. Само собой разумеется, среди математиков и других приверженцев тригонометрии принято использовать слово «ортогональный» для обозначения того, что не связано с рассматриваемым вопросом: «Вы можете предположить, что математические способности связаны с огромной популярностью, но, судя по моему опыту, эти два качества ортогональны». Такое употребление слова постепенно переходит из жаргона гиков в общеупотребительный язык. Посмотрите хотя бы, что произошло во время недавних прений сторон в Верховном суде США{229}.

Мистер Фридман. Думаю, этот вопрос полностью ортогонален рассматриваемому здесь вопросу, поскольку Содружество признает…

Председатель суда Робертс. Прошу прощения. Полностью что?

Мистер Фридман. Ортогонален. Прямой угол. Не имеющий отношения. Не относящийся к делу.

Председатель суда Робертс. Ах да.

Судья Скалиа. Что это за прилагательное? Мне оно понравилось.

Мистер Фридман. Ортогональный.

Судья Скалиа. Ортогональный?

Мистер Фридман. Да, верно.

Судья Скалиа. Ох!

(Смех в зале.)

Я не против того, чтобы прижилось такое употребление слова ортогональный. Математические термины уже давно используются в повседневном языке. Выражение «наименьший общий знаменатель» почти утратило свой первоначальный математический смысл, я уже не говорю о слове экспоненциально[275].

Использование тригонометрии применительно к векторам высокой размерности для представления корреляции в количественной форме – это, мягко говоря, не то, что имели в виду создатели косинуса. Никейский астроном Гиппарх, составивший первые тригонометрические таблицы во II столетии до нашей эры, пытался рассчитать промежутки времени между затмениями. Векторы, с которыми он имел дело, описывали небесные тела и были однозначно трехмерными. Однако математический инструмент, подходящий для одной цели, как правило, оказывается полезным снова и снова.

Геометрическая интерпретация корреляции проливает свет на некоторые аспекты статистики, которые в противном случае остались бы не совсем понятными. Возьмем в качестве примера богатого представителя элиты с либеральными взглядами. В течение какого-то времени этот человек с несколько сомнительной репутацией был известным персонажем в политических кругах. Пожалуй, самым самоотверженным летописцем этой социальной группы является публицист Дэвид Брукс, написавший целую книгу о социальной группе, которую он назвал «богемная буржуазия», или «бобо». В 2001 году, размышляя о различиях между богатым пригородным округом Монтгомери (штат Мэриленд, моя родина!) и округом Франклин (штат Пенсильвания) с преобладанием среднего класса, Брукс выдвинул предположение, что старый принцип политической стратификации по экономическим классам, согласно которому «Великая старая партия» отстаивает интересы денежных мешков, а демократы выступают за рабочего человека, полностью устарел.

Подобно элитным регионам повсюду, от Кремниевой долины до пригорода Чикаго «Северный берег» и пригородных районов штата Коннектикут, в прошлом году во время президентских выборов округ Монтгомери поддержал предвыборную программу демократической партии с перевесом 63 % против 34 %. Между тем, округ Франклин проголосовал за республиканскую партию с соотношением 67 % голосов против 30 %{230}.

Прежде всего следует отметить, что «повсюду» – это преувеличение. Самый богатый округ штата Висконсин – округ Уокешо, охватывающий фешенебельные пригородные районы к западу от Милуоки. Буш победил там Гора с отрывом 63 % против 31 %, тогда как по всему штату небольшой перевес был у Гора.

Тем не менее Брукс обращает внимание на реальный феномен – тот самый, который мы ясно видели на диаграмме разброса на одной из предыдущих страниц. На современном электоральном ландшафте США богатые штаты голосуют за демократов чаще, чем бедные. Миссисипи и Оклахома – это штаты с высокой поддержкой Республиканской партии, тогда как в штатах Нью-Йорк и Калифорния «Великая старая партия» даже не пытается бороться за победу. Другими словами, существует положительная корреляция между проживанием в богатом штате и голосованием за демократов.

Однако статистик Эндрю Гельман обнаружил, что на самом деле ситуация сложнее, чем составленный Бруксом портрет новой породы потягивающих латте, передвигающихся на автомобилях Prius либералов с большими изысканными домами и мешками денег{231}. В действительности богатые люди по-прежнему чаще голосуют за республиканцев, чем бедные, – эффект, который существует уже многие десятилетия. Гельман и его коллеги глубже проанализировали данные по штатам и обнаружили очень интересную закономерность. В некоторых штатах, таких как Техас и Висконсин, более богатые округа обычно голосуют за Республиканскую партию{232}. В других штатах, таких как Мэриленд, Калифорния и Нью-Йорк, богатые округа склонны поддерживать Демократическую партию. В последних штатах из упомянутых выше живут многие политические деятели. В их ограниченном мире богатых районов действительно обитает много либералов, поэтому для них естественно обобщать этот опыт на остальную часть округа. Естественно, но, если посмотреть на общие результаты, совершенно неправильно.

Создается впечатление, что здесь имеет место парадокс. Между статусом богатого человека и проживанием в богатом штате почти по определению существует положительная корреляция. С другой стороны, существует положительная корреляция между проживанием в богатом штате и голосованием за Демократическую партию. Разве это не означает, что должна существовать корреляция между статусом богатого человека и голосованием за демократов? Представим эту ситуацию в геометрическом виде: если вектор 1 образует острый угол с вектором 2, а вектор 2 образует острый угол с вектором 3, разве не должен вектор 1 находиться под острым углом к вектору 3?

Нет! Вот доказательство в виде рисунка.

Некоторые связи, такие как «больше чем», транзитивны: если мой вес больше веса моего сына, а сын весит больше дочери, тогда мой вес больше веса дочери. «Живет в том же городе» – тоже транзитивная связь: если я живу в том же городе, что и Билл, который живет в том же городе, что и Боб, тогда я живу в том же город, что и Боб.

Корреляция не обладает свойством транзитивности. Она скорее напоминает кровное родство: я кровный родственник своего сына, который является кровным родственником моей жены, но мы с женой не являемся кровными родственниками. На самом деле не такая уж плохая идея представлять себе коррелированные переменные как величины, у которых «совпадает часть ДНК». Предположим, я руковожу небольшой компанией по управлению активами, у которой всего три инвестора: Лаура, Сара и Тим. У них достаточно простые биржевые позиции: фонд Лауры разделен пополам между акциями Facebook и Google, у Тима половина акций General Motors и половина акций Honda, а Сара, поддерживая равновесие между старой и новой экономикой, имеет половину акций Honda и половину акций Facebook. Очевидно, что между рентабельностью инвестиций Лауры и Сары существует положительная корреляция, поскольку у них половина инвестиционного портфеля общая. Существует также сильная корреляция между рентабельностью инвестиций Сары и Тима. Однако нет никаких оснований считать, что доходность фонда Тима как-то связана с доходностью фонда Лауры[276]. Эти два фонда как родители: каждый из них вносит свою половину «генетического материала» в формирование гибридного фонда Сары.

Нетранзитивность корреляции и очевидна и загадочна одновременно. В примере со взаимным фондом вас ничто не заставило бы думать, что повышение доходности фонда Тима дает какую-либо информацию, как обстоят дела у Лауры. Однако в других областях наша интуиция работает не так хорошо. Возьмем в качестве примера так называемый хороший холестерин, то есть холестерин, который переносится в крови липопротеинами высокой плотности (далее везде по тексту – ЛПВП). Уже многие десятилетия известно, что высокий уровень ЛПВП в крови связан с более низким риском сердечно-сосудистых осложнений. Если вы не владеете медицинской терминологией, вам поможет такое объяснение: у людей с высоким уровнем хорошего холестерина меньше вероятность умереть от сердечного приступа.

Известно также, что некоторые медицинские препараты гарантированно повышают уровень ЛПВП. Один из популярных препаратов такого типа, разновидность витамина B, – ниацин[277]. Если ниацин повышает уровень ЛПВП, а более высокий уровень ЛПВП связан со снижением риска сердечно-сосудистых осложнений, тогда прием ниацина кажется разумной идеей – именно поэтому мой врач рекомендует его мне, как, по всей вероятности, рекомендует это вам ваш врач, если только вы не подросток, не участник марафона и не член какой-либо другой группы людей с особым метаболизмом.

Проблема в том, что не совсем понятно, действительно ли это обеспечивает требуемый результат. Во время небольших клинических испытаний введение ниацина действительно показало многообещающие результаты. Однако крупномасштабное исследование, которое проводил Национальный институт болезней сердца, легких и крови, было остановлено в 2011 году, за полтора года до запланированного окончания испытаний, поскольку результаты были настолько слабыми, что продолжать не имело смысла{233}. У пациентов, получавших ниацин, действительно повысился уровень ЛПВП, однако у них было столько же случаев инфаркта миокарда и приступов стенокардии, сколько и у всех остальных участников исследования. Чем это объясняется? Тем, что корреляция не транзитивна. Существует корреляция между ниацином и высоким уровнем ЛПВП, а также корреляция между высоким уровнем ЛПВП и низким риском острых сердечно-сосудистых заболеваний, однако это не значит, что ниацин предотвращает такие заболевания.

Однако мы не скажем, что регулирование уровня холестерина ЛПВП – это тупик. Каждый лекарственный препарат имеет свою специфику, и может быть клинически значимым, на сколько именно вы повышаете уровень ЛПВП. Вернемся к инвестиционной компании: мы знаем, что существует корреляция между показателями рентабельности инвестиций Тима и Сары, поэтому можно попытаться повысить прибыль Сары, приняв меры, направленные на увеличение прибыли Тима. Если ваш подход сводился бы к тому, чтобы дать неоправданно оптимистический совет, чтобы подстегнуть курс акций GM, вы обнаружили бы, что результаты Тима улучшились, тогда как Сара не получила никакой выгоды. Но, если вы сделали бы то же самое с акциями компании Honda, это повысило бы прибыль и Тима и Сары.

Если корреляция была бы транзитивной, проводить медицинские исследования было бы гораздо легче, чем на самом деле. Десятилетия наблюдений и сбора данных позволили нам установить много корреляций, с которыми можно работать. При наличии транзитивности врачам достаточно было бы связать все воедино, разработав надежные методы вмешательства. Мы знаем, что существует корреляция между высоким уровнем эстрогена у женщин и снижением риска сердечно-сосудистых заболеваний, а также что заместительная гормональная терапия может повысить этот уровень; следовательно, можно предположить, что заместительная гормональная терапия может защитить от сердечно-сосудистых заболеваний. И это действительно считалось само собой разумеющимся в клинических кругах. Однако на самом деле, как вы, вероятно, слышали, ситуация гораздо более сложная. В начале третьего тысячелетия в рамках Инициативы по охране здоровья женщин было проведено долгосрочное исследование, состоящее из масштабных рандомизированных клинических испытаний, по результатам которых было установлено, что заместительная гормональная терапия с участием эстрогена и прогестина на самом деле привела к повышению риска сердечно-сосудистых заболеваний у участников исследования{234}. Более поздние результаты показывают, что заместительная гормональная терапия может давать разный эффект в разных группах женщин или что эстроген может оказывать более благотворное влияние на сердце, чем сочетание эстрогена и прогестина, и так далее{235}.

В реальном мире почти невозможно предсказать, какое влияние окажет лекарственный препарат на болезнь, даже если известно многое о его воздействии на такие биомаркеры, как уровень ЛПВП или эстрогена. Организм человека – это чрезвычайно сложная система, и существует совсем немного его свойств, которые можно измерить, не говоря уже о том, чтобы ими манипулировать. Судя по наблюдаемым корреляциям, существует множество лекарственных препаратов, которые, по всей вероятности, могли бы оказать желаемое воздействие на здоровье человека. В итоге эти препараты испытывают в ходе экспериментов, но большинство из них обманывают все ожидания. Чтобы заниматься разработкой лекарственных препаратов, необходимо иметь устойчивую психику, не говоря уже о большом объеме капитала.

Мы уже видели, что при наличии корреляции между двумя переменными они так или иначе связаны друг с другом. Но что если корреляции нет? Означает ли это, что переменные никак не связаны друг с другом и ни одна из них не воздействует на другую? Совсем нет. Корреляция в понимании Гальтона ограничена в очень важном смысле: она обнаруживает линейные связи между переменными, когда увеличение одной переменной совпадает с пропорциональным увеличением (или уменьшением) другой переменной. Но, подобно тому как не все линии прямые, не всякая зависимость бывает линейной. Возьмем хотя бы следующий пример.

Вы смотрите на рисунок, на котором я отобразил результаты опроса, проведенного компанией Public Policy Polling 15 декабря 2011 года. На этом рисунке тысяча точек, каждая из которых соответствует одному избирателю, ответившему на двадцати три вопроса анкеты. Если точка расположена на правой или левой оси, это означает, что избиратель придерживается правых или левых взглядов: респонденты, которые заявили о том, что поддерживают президента Обаму, одобряют программу Демократической партии и выступают против Партии чаепития[278], находятся на левой стороне графика, тогда как респонденты, которые поддерживают «Великую старую партию», не любят Гарри Рейда и верят в «Войну с Рождеством»[279] закончилась, находятся справа. Вертикальная ось отображает уровень информированности: избиратели, точки которых находятся в нижней части графика, чаще всего отвечали «не знаю» на вопросы, требующие более глубокой политической осведомленности (например, «Вы одобряете или не одобряете ту работу, которую выполняет [лидер партии меньшинства в Сенате] Митч Макконнелл?»), а также не проявляли почти никакого интереса к президентским выборам 2012 года.

Любой желающий может убедиться в отсутствии корреляции между переменными, которые представлены двумя осями[280], – это можно просто увидеть на графике: по мере перемещения вверх по странице точки не отклоняются существенно ни влево, ни вправо. Однако это не значит, что две переменные не связаны друг с другом. На самом деле данный рисунок наглядно демонстрирует эту связь. График имеет форму сердца, с выпуклостями с обеих сторон вверху и острым концом внизу. По мере повышения информированности избиратели не становятся более активными сторонниками ни демократов, ни республиканцев, но они становятся более поляризованными: люди левых взглядов отклоняются еще больше влево, сторонники правого крыла – еще больше вправо, а область с малой плотностью точек становится еще более редко заполненной. Менее информированные избиратели, точки которых расположены в нижней части графика, склонны занимать более центристскую позицию. Следовательно, этот график отображает отрезвляющий социальный факт, который в настоящее время часто упоминается в книгах по политологии. Как правило, неопределившиеся избиратели не определились не потому, что они тщательно взвешивают достоинства каждого кандидата, не имея при этом жестких политических убеждений. Они не определились по той простой причине, что почти не обращают внимания на политические события.

Математический инструмент, подобно любому другому научному инструменту, обнаруживает только явления определенного типа; вычисление корреляции позволяет обнаружить сердцеобразную форму этой диаграммы разброса не в большей степени, чем ваш фотоаппарат способен зафиксировать гамма-излучение[281]. Имейте это в виду, когда вам скажут, что два явления в природе или в обществе оказались некоррелированными. Это не означает, что между ними вообще нет связи; нет только связи того типа, которую должна обнаружить корреляция.

Что можно сказать о ситуации, когда корреляция между двумя переменными все-таки существует? Что это означает на самом деле?

Для упрощения задачи давайте начнем с простейшего типа переменной – бинарной переменной, принимающей только два значения. Во многих случаях бинарная переменная представляет собой ответ на общий вопрос: «Вы состоите в браке?», «Вы курите?», «Вы состоите или когда-либо состояли в коммунистической партии?»

Когда вы сравниваете две бинарные переменные, корреляция принимает особенно простую форму. Например, утверждение, что существует отрицательная корреляция между семейным статусом и курительным статусом, означает только то, что семейные люди курят с меньшей долей вероятности, чем средний человек. Или, если сформулировать это иначе, курильщики вступают в брак с меньшей долей вероятности, чем обычные люди. Придется немного поразмышлять, чтобы убедить себя в том, что это одно и то же! Первое утверждение можно записать в виде такого неравенства:

Второе утверждение можно записать так:

Если умножить обе стороны каждого неравенства на общий знаменатель (все люди) × (все курильщики), становится очевидным, что эти два утверждения представляют собой разные способы выразить одну и ту же мысль:

Точно так же, если существовала бы положительная корреляция между курением и вступлением в брак, это означало бы, что семейные люди были бы курильщиками с большей вероятностью, чем средний человек, а курильщики с большей вероятностью состояли бы в браке по сравнению со средним человеком.

Но здесь сразу возникает одна проблема. Безусловно, существует совсем малая вероятность, что доля курильщиков среди семейных людей в точности такая же, что и доля курильщиков во всей численности населения. Следовательно, при отсутствии невероятного совпадения между семейным статусом и курением существует корреляция – положительная или отрицательная. То же самое можно сказать о сексуальной ориентации и курении, о гражданстве США и курении, о принадлежности первой буквы имени ко второй половине алфавита и курении и так далее. Корреляция с курением будет обнаружена во всем, в том или ином направлении. Это та же проблема, с которой мы столкнулись в седьмой главе: нулевая гипотеза, строго говоря, почти всегда является ошибочной.

Если мы разведем руками и скажем: «Все коррелировано со всем!» – это не позволит нам узнать ничего нового. Поэтому мы не сообщаем обо всех без исключения случаях корреляции. Когда вы прочитаете сообщение, что существует корреляция между одним событием и другим, на самом деле подразумевается, что это достаточно сильная корреляция, чтобы о ней стоило говорить. Как правило, речь идет о корреляции, прошедшей проверку статистической значимости. Как мы уже видели, проверка статистической значимости сопряжена со многими опасностями, но она по крайней мере заставляет статистика задуматься и сказать: «Наверное, что-то здесь происходит».

Но что именно? Здесь мы подошли к вопросу, требующему особого внимания. Существует отрицательная корреляция между супружеством и курением, это факт. Как правило, этот факт формулируют следующим образом:

Однако одно небольшое изменение существенно меняет смысл этого утверждения:

На первый взгляд кажется странным, что изменение предложения с изъявительного на сослагательное наклонение может так сильно изменить смысл сказанного. Тем не менее в первом предложении просто говорится о том, что происходит. Второе предложение затрагивает гораздо более тонкий вопрос: что было бы, если мы изменили бы что-то в окружающем мире? Первое предложение выражает корреляцию; второе подразумевает каузальность. Как мы уже говорили, это не одно и то же. Математическое определение корреляции сформировалось еще сто лет назад, после публикации работ Гальтона и Пирсона. Однако постановка идеи каузальности на твердую математическую основу – гораздо более трудная задача[282].

Наше понимание корреляции и каузальности носит неустойчивый характер. Порой интуиция помогает вам уловить суть этих концепций при одних обстоятельствах, но не позволяет сделать это при других. Когда мы говорим, что существует корреляция между ЛПВП и снижением риска сердечно-сосудистых заболеваний, фактически мы утверждаем следующее: «Если у вас более высокий уровень холестерина ЛПВП, у вас с меньшей долей вероятности будет сердечный приступ». Трудно не подумать о том, что ЛПВП что-то делает – что молекулы вещества, о котором идет речь, в буквальном смысле слова служат причиной улучшения здоровья сердечно-сосудистой системы, скажем, «соскабливая» липидные отложения на стенках сосудов. Если бы это действительно было так (то есть если бы одно только наличие большого количества ЛПВП приносило вам пользу), тогда было бы логичным предположить, что любое вмешательство, направленное на повышение уровня ЛПВП, сокращает риск сердечно-сосудистых заболеваний.

Однако корреляция между ЛПВП и сердечно-сосудистыми заболеваниями может быть обусловлена другими причинами – скажем, какой-либо другой фактор, который мы не измерили, приводит и к повышению ЛПВП, и к снижению риска сердечно-сосудистых осложнений. Если это действительно так, тогда препарат, повышающий уровень ЛПВП, может предотвращать или не предотвращать сердечные приступы: если данный препарат воздействует на ЛПВП посредством этого загадочного фактора, тогда это, по всей вероятности, поможет вашему сердцу, но, если он повышает уровень ЛПВП каким-то другим способом, тогда за результат поручиться нельзя. Такая же ситуация и в случае Тима и Сары. Существует корреляция между их финансовыми результатами, но не потому, что фонд Тима способствует повышению курса акций Сары, или наоборот. Причина в том, что существует некий загадочный фактор (акции компании Honda), который влияет на результаты и Тима, и Сары. Клинические исследователи называют это проблемой суррогатной точки клинической эффективности. Проверка воздействия препарата на среднюю продолжительность жизни потребовала бы больших затрат времени и денег, поскольку для того, чтобы определить продолжительность жизни человека, пришлось бы подождать, когда он умрет. Уровень ЛПВП – это и есть суррогатная точка клинической эффективности, легко поддающийся проверке биомаркер, который предположительно равносилен утверждению «долгая жизнь без сердечных приступов». Однако корреляция между ЛПВП и отсутствием сердечно-сосудистых заболеваний может не быть признаком наличия причинно-следственной связи.

Провести различие между корреляцией, обусловленной причинно-следственными связями, и корреляцией, в которой такие связи отсутствуют, – это невероятно трудная задача, даже в случаях, которые могут показаться очевидными, как в случае взаимосвязи между раком легких и курением{236}. На рубеже ХХ столетия рак легких был крайне редким заболеванием. К 1947 году на эту болезнь приходилась пятая часть смертей от рака среди британских мужчин: она убивала в пятнадцать раз больше людей, чем несколько десятилетий назад. Сначала многие исследователи объясняли это тем, что диагностика рака легких стала более эффективной, чем раньше, однако вскоре стало очевидно, что количество случаев этого заболевания увеличивается слишком сильно и слишком быстро, чтобы можно было отнести это на счет диагностики. Рак легких действительно становился более распространенным заболеванием, но никто не знал наверняка, что тому виной. Может быть, это дым от заводов, может быть, повышенный уровень выхлопных газов или, может быть, какое-то вещество, которое даже не считалось токсичным. А может быть, причина в курении сигарет, популярность которых резко увеличилась за тот же период.

В начале 1950-х годов в Англии и Америке были проведены крупные исследования, показавшие наличие сильной зависимости между курением сигарет и раком легких. Среди некурящих это заболевание встречалось по-прежнему редко, но в случае курящих риск был гораздо выше. В знаменитой статье Долла и Хилла, опубликованной в 1950 году, было сказано, что из 649 страдающих раком легких пациентов мужского пола из двадцати лондонских клиник только двое были некурящими{237}. Это не такие уж впечатляющие цифры, как может показаться по современным стандартам: в Лондоне середины столетия курение было чрезвычайно распространенной привычкой, а некурящих было гораздо меньше, чем сейчас. Но даже несмотря на это в группе из 649 пациентов мужского пола, заявивших о проблемах со здоровьем, не имеющих отношения к раку легких, некурящими были двадцать семь человек, то есть гораздо больше двух. Кроме того, чем больше курили люди, тем сильнее была эта связь. Из всех больных раком легких 168 пациентов выкуривали более чем двадцать пять сигарет в день, тогда как среди больных, госпитализированных по другим причинам, только восемьдесят шесть пациентов курили так много[283].

Данные Долла и Хилла показывали наличие корреляции между раком легких и курением; связь между ними не была строго детерминированной (некоторые заядлые курильщики не страдали раком легких, и в то же время эта болезнь поражала некоторых некурящих), но эти два явления не были независимыми. Связь между ними относилась к той неопределенной промежуточной зоне, которую впервые обнаружили Гальтон и Пирсон.

Утверждение о наличии корреляции существенно отличается от объяснения. Исследование Долла и Хилла не показывает, почему курение вызывает рак легких; вот что они пишут: «Эта связь имела бы место и в случае, если рак легких был бы причиной курения или если оба свойства были бы конечным результатом некой общей причины». Мысль о том, что рак легких вызывает склонность к курению, как пишут Долл и Хилл, не имеет под собой оснований: опухоль не может вернуться назад во времени и вызвать у человека привычку выкуривать по пачке сигарет в день. Однако проблема общей причины вызывает большее беспокойство.

Наш старый друг Рональд Эйлмер Фишер, основатель современной статистики, весьма скептически относился именно к такой точке зрения на существование связи между табачным дымом и злокачественной опухолью. Фишер был естественным интеллектуальным преемником Гальтона и Пирсона; на самом деле в 1933 году он сменил Пирсона на посту руководителя кафедры евгеники Гальтона при Университетском колледже Лондона. (Из уважения к чувствительности современных людей к этой теме это учреждение называют сейчас кафедрой генетики Гальтона.)

Фишер считал, что не стоит поспешно отказываться от теории, что рак вызывает курение:

Здесь можно увидеть твердую позицию блестящего и скрупулезного статистика по поводу того, что все возможные варианты требуют должного рассмотрения, в том числе пристрастие курильщиков к этой привычке на протяжении всей жизни. (Кое-кто увидел в этом влияние работы Фишера в качестве консультанта в британской промышленной группе Tobacco Manufacturers’ Standing Committee; на мой взгляд, нежелание Фишера подтверждать наличие причинно-следственной связи соответствовало его общему статистическому подходу.) Предположение Фишера, что мужчины, принимавшие участие в исследовании Долла и Хилла, начали курить под воздействием предракового воспаления, так и не прижилось, однако его аргумент в пользу существования общей причины получил более широкое распространение. Фишер, в полном соответствии со своей академической должностью, был приверженцем евгеники; он считал, что генетические особенности во многом определяют нашу судьбу, а также что в эти щадящие с точки зрения эволюции времена над людьми высшего сорта нависла серьезная опасность смешения с теми, кто находится на более низком уровне развития. С точки зрения Фишера, было бы вполне естественно допустить, что существует общий генетический фактор (еще не установленный), который отвечает как за рак легких, так и за пристрастие к курению. Это утверждение может показаться достаточно дискуссионным. Но не забывайте: в то время предположение о развитии рака легких под воздействием курения опиралось на не менее таинственную основу: еще ни один химический элемент табака не обнаружил способность вызвать опухоль в лабораторных условиях.

Существует один изящный способ проверить влияние генетических факторов на курение посредством изучения близнецов. Будем говорить, что между близнецами есть «совпадение», если они либо оба курят, либо нет. Можно предположить, что такое совпадение – довольно распространенное явление, поскольку близнецы обычно растут в одном доме, их воспитывают одни и те же родители, в одной культурной среде, и влияние всего этого вы на самом деле видите в близнецах. Однако однояйцевым и двуяйцевым близнецам такие общие характеристики свойственны в равной степени; следовательно, если совпадение между однояйцевыми близнецами бывает чаще, чем между двуяйцевыми, это свидетельствует, что генетические факторы оказывают определенное влияние на пристрастие к курению. Фишер обнародовал некоторые результаты неопубликованных исследований, направленных на обнаружение этого эффекта, а более поздние работы подтвердили его интуитивную догадку: по всей вероятности, склонность к курению зависит от ряда наследственных факторов{239}.

Безусловно, нельзя утверждать, что впоследствии те же гены вызывают рак легких. Сейчас нам известно гораздо больше о раке и о том, какую роль в его развитии играет табак. Тот факт, что курение вызывает рак, не подлежит сомнению. Тем не менее трудно не относиться с некоторым пониманием к подходу Фишера «давайте не делать поспешных выводов». Воспринимать корреляцию с недоверием – это правильно. Эпидемиолог Ян Ванденброке писал по поводу статей Фишера о курении следующее: «К моему большому удивлению, я обнаружил хорошо написанные и убедительные работы, которые могли бы стать классическим примером безупречной логики и четкого толкования данных и аргументов, если бы только авторы находились на правильной стороне»{240}.

Ученые в 1950-х годах постепенно пришли к консенсусу по вопросу о раке легких и курении. Правда, еще не был обнаружен биологический механизм возникновения опухоли под воздействием табачного дыма, и не было аргументов в пользу связи между курением и раком, которые не опирались бы на зафиксированные случаи корреляции. Однако в 1959 году было обнаружено так много подобных случаев корреляции и было исключено так много факторов, искажающих полученные результаты, что главный врач государственной службы здравоохранения США Лерой Берни посчитал нужным заявить: «В настоящее время есть весомые доказательства того, что курение – основной фактор повышения уровня заболеваемости раком легких». Но даже после официального заявления чиновника такая точка зрения не была бесспорной. Всего через несколько недель редактор Journal of the American Medical Association Джон Тэлботт открыл в редакционной статье ответный огонь: «Ряд крупных специалистов, изучивших те же доказательства, о которых говорил доктор Берни, не согласны с его выводами. Ни у сторонников, ни у противников теории курения нет достаточных доказательств, на основании которых можно было бы занять однозначную официальную позицию. До тех пор пока в ходе предстоящих исследований не будут получены окончательные результаты, врач может выполнять свои обязанности, внимательно наблюдая за ситуацией, отслеживая факты и давая пациентам рекомендации на основании оценки этих фактов»{241}. Тэлботт, как и Фишер до него, обвинял Берни и его единомышленников в том, что они, если говорить с научной точки зрения, бегут впереди паровоза.

Остроту этой дискуссии даже в научных кругах иллюстрирует примечательная работа историка медицины Джона Харкнесса{242}. После тщательного изучения архивных документов он пришел к выводу, что доклад, подписанный главным врачом США, в действительности был написан большой группой ученых Министерства здравоохранения, а сам Берни почти не принимал прямого участия в этой работе. Что касается ответной статьи Тэлботта, ее также написал не он сам, а конкурирующая группа ученых Министерства здравоохранения! То, что казалось борьбой между правительственным бюрократическим аппаратом и медицинскими учреждениями, на самом деле было противостоянием между различными группами ученых, перенесенным на публичный экран.

Мы знаем, чем закончилась эта история. В начале 1960-х годов преемник Берни на посту главного врача США Лютер Терри сформировал независимую экспертную комиссию по вопросу курения и здоровья, а в январе 1964 года в прессе по всей стране были опубликованы выводы этой комиссии, на фоне которых доклад Берни выглядел довольно робким.

Что изменилось? До 1964 года связь между курением и раком неизменно обнаруживало одно исследование за другим. Заядлые курильщики страдали от рака чаще, чем те люди, которые курили меньше; кроме того, опухоль чаще всего возникала в местах контакта между табаком и человеческой тканью: у тех, кто курил сигареты, развивался рак легких, а у тех, кто курил трубки, – рак губы. Бывшие курильщики были в меньшей степени подвержены опухолевым заболеваниям по сравнению с теми курильщиками, которые не отказались от этой привычки. Сочетание всех этих факторов привело к тому, что созданная главным врачом США комиссия сделала однозначный вывод: курение не просто связано с раком легких, а вызывает рак легких, а сокращение потребления табака скорее всего привело бы к увеличению продолжительности жизни американцев.

В альтернативной вселенной, в которой последующие исследования по вопросу курения привели бы к получению других результатов, мы могли бы обнаружить, что на первый взгляд странная теория Фишера верна и курение является следствием рака, а не наоборот. Это стало бы далеко не самым крупным изменением курса в медицинской науке. Но что дальше? Главный врач опубликовал бы пресс-релиз, в котором было бы сказано: «Извините, все могут вернуться к курению». Между тем, табачные компании понесли бы огромные убытки, а миллионы курильщиков отказались бы от миллиардов сигарет, которые могли бы доставить им удовольствие. И все это только потому, что главный врач объявил фактом то, что было не более чем хорошо обоснованной гипотезой.

Но какой была альтернатива? Представьте себе, что следовало бы предпринять, чтобы действительно с абсолютной уверенностью сделать вывод, что курение вызывает рак легких. Вам пришлось бы собрать большую группу подростков, случайным образом выбрать половину из них и заставить этих подростков регулярно курить сигареты на протяжении предстоящих пятидесяти лет, тогда как остальные подростки должны были бы все это время воздерживаться от курения. Джерри Корнфилд, один из первопроходцев в области изучения курения, сказал о таком эксперименте, что его «можно придумать, но трудно осуществить»{243}. Но даже если такой эксперимент можно было бы провести, он нарушил бы все существующие этические нормы в отношении исследований с участием людей в качестве испытуемых.

У создателей государственной политики нет такой роскоши, как неопределенность, которая есть у ученых. Им приходится вырабатывать наиболее вероятные предположения и принимать решения на их основе. Когда эта система работает (а она бесспорно сработала в случае с табаком), ученые и творцы политики действуют согласованно: ученые определяют приемлемую степень неопределенности, а творцы политики принимают решения, как следует действовать в условиях такой неопределенности.

Порой это приводит к ошибкам. Мы уже говорили о случае с заместительной гормональной терапией, когда под влиянием обнаруженных корреляций на протяжении длительного времени считалось, что подобная терапия защищает женщин от сердечно-сосудистых заболеваний после менопаузы. Текущие рекомендации, основанные на результатах последующих рандомизированных экспериментов, в той или иной мере носят противоположный характер.

Правительство США развернуло в 1976 году, а затем в 2009 году масштабные и дорогостоящие кампании по вакцинации против свиного гриппа, каждый раз получая от эпидемиологов заверения в том, что текущий штамм с большой вероятностью может вызвать катастрофическую пандемию. На самом деле оба случая эпидемии гриппа были довольно серьезными, но далеко не катастрофическими{244}.

В таких случаях легко критиковать творцов политики за то, что они позволили своим решениям опередить науку. Но все не так просто. Не всегда неправильно быть неправым.

Как такое может быть? Быстрый расчет ожидаемой ценности, подобный тому, что мы делали в третьей части книги, поможет объяснить этот на первый взгляд парадоксальный вывод. Предположим, вы рассматриваете возможность дать людям рекомендации по поводу здоровья – например, что им следует прекратить есть баклажаны, поскольку потребление баклажанов сопряжено с небольшим риском развития внезапной катастрофической сердечной недостаточности. Этот вывод основан на результатах ряда исследований, в ходе которых было установлено, что среди людей, потребляющих баклажаны, немного выше вероятность внезапной смерти, чем среди тех, кто не ест баклажаны. Однако у нас нет возможности провести рандомизированное контролируемое исследование, во время которого одну группу испытуемых мы заставляли бы есть баклажаны, а другой группе запретили бы делать это. Нам придется обходиться имеющейся информацией, которая отображает только корреляцию. Все, что нам известно, – это то, что у баклажанофилии и остановки сердечной деятельности может быть общая генетическая основа, однако не существует способа убедиться в этом.

Возможно, мы на 75 % уверены в правильности своего вывода и что кампания против баклажанов спасала бы жизни тысячам американцев в год. Но существует также равная 25 % вероятность, что наш вывод ошибочен, а в таком случае мы вынудили бы многих людей отказаться от любимого овоща, что в целом повлекло за собой менее здоровое питание и привело, скажем, к двум сотням дополнительных смертей в год[284].

Как всегда, мы получим ожидаемую ценность, умножив результат каждого возможного варианта развития событий на соответствующую вероятность, а затем определив сумму полученных значений. В данном примере мы получим следующее:

Тот факт, что корреляция может быть обусловлена необнаруженной общей причиной, уже создает путаницу, но это еще не все. Корреляция может также проистекать из общего следствия. Этот феномен известен как ошибка Берксона, по имени специалиста по медицинской статистике Джозефа Берксона, который объяснил нам в восьмой главе, как слепой расчет на p-значение может привести к выводу о том, что небольшая группа людей с участием альбиноса состоит из негуманоидов.

Сам Берксон, подобно Фишеру, весьма скептически относился к идее о наличии связи между табаком и раком. Берксон, будучи доктором медицины, представлял старую школу эпидемиологии и с большим недоверием воспринимал любые заявления, обоснование которых было скорее статистическим, чем медицинским. Он считал, что такие заявления представляют собой вторжение наивных теоретиков в ту область, которая по праву принадлежит медикам; по этому поводу он писал в 1958 году:

Особое беспокойство вызывал у Берксона тот факт, что потребление табака связывают не только с таким заболеванием, как рак легких, но и со многими другими болезнями, поражающими все системы организма человека. Для Берксона мысль о том, что табак оказывает столь радикальное губительное воздействие, была совершенно неправдоподобной:

Берксон, как и Фишер, был более склонен верить в так называемую конституциональную гипотезу, согласно которой относительное хорошее состояние здоровья некурящих можно объяснить существованием врожденных различий между людьми, которые не курят, и курильщиками:

Берксон выдвигал возражения и против результатов первоначального исследования Долла и Хилла, которое проводилось среди пациентов британских больниц. Он обратил внимание в 1938 году на то, что такой способ отбора пациентов может создать видимость связей, которых на самом деле нет.

Предположим, например, что вы хотите узнать, является ли высокое кровяное давление фактором риска заболевания диабетом. Для этого вы можете провести среди пациентов своей больницы опрос, цель которого – определить, где больше пациентов с высоким давлением, среди тех, кто не страдает диабетом, или среди диабетиков. К своему большому удивлению, вы обнаруживаете, что гипертония менее распространена среди пациентов, страдающих диабетом. В таком случае вы можете склоняться к выводу, что высокое кровяное давление защищает от развития диабета или как минимум от появления настолько тяжелых симптомов диабета, когда требуется госпитализация. Однако, прежде чем вы начнете рекомендовать своим пациентам из числа диабетиков увеличить потребление соленых закусок, проанализируйте следующую информацию:

Предположим, в нашем городке живет 1000 человек, из которых 30 % страдают гипертонией и 40 % страдают диабетом. (Обитатели нашего города любят как соленые, так и сладкие закуски.) Предположим, что между этими двумя условиями нет никакой связи, а значит, 30 % из 400 диабетиков, или всего 120 человек, страдают также от высокого кровяного давления.

Если все больные обитатели города попали бы в больницу, тогда среди пациентов больницы было бы:

Из 400 лежащих в больнице диабетиков 120, или 30 %, страдают также гипертонией. Однако из 180 пациентов без диабета все 100 % имеют высокое кровяное давление! Было бы глупо делать из этого вывод, что гипертония предотвращает диабет. Между этими двумя состояниями существует отрицательная корреляция, но не потому, что одно из них приводит к отсутствию другого. Причина также не в существовании некоего скрытого фактора, который и поднимает кровяное давление, и помогает регулировать уровень инсулина в крови. Причина в том, что у этих двух состояний общее следствие, а именно – они оба приводят к тому, что человек попадает в больницу.

Проще говоря, если вы находитесь в больнице, то вы попали туда по какой-то причине. Если вы не диабетик, тогда больше вероятность того, что эта причина – высокое кровяное давление. Следовательно, то, что на первый взгляд кажется причинно-следственной связью между гипертонией и диабетом, на самом деле всего лишь статистический фантом.

Этот эффект может работать и в обратном направлении. В реальной жизни наличие двух болезней с большей долей вероятности может отправить вас в больницу, чем одна болезнь. Все 120 пациентов, которые являются одновременно и гипертониками, и диабетиками, могут оказаться в больнице, но 90 % относительно здоровых людей, страдающих только одной болезнью, остаются дома. Более того, в больнице можно оказаться и по другим причинам: например, в первый снежный день года многие пытаются привести свои снегоочистители в порядок руками и в результате отрезают палец. В таком случае общая совокупность пациентов больницы может выглядеть так:

Теперь после проведения исследования в больнице вы обнаружите, что 120 из 148 диабетиков, или 81 %, страдают гипертонией. Однако только 18 из 28 пациентов, не страдающих диабетом, или 64 %, страдают гипертонией. Создается впечатление, что гипертония увеличивает вероятность того, что у вас есть еще и диабет. Но это снова иллюзия: мы с вами установили всего лишь тот факт, что множество людей, попадающих в больницу, не является случайной выборкой из генеральной совокупности.

Ошибка Берксона имеет смысл и за пределами медицины; на самом деле эту концепцию можно применить за пределами тех областей, в которых характеристики поддаются точной количественной оценке. Возможно, вы обратили внимание на то, что среди всех мужчин[285] в вашем списке возможных партнеров красивые мужчины, как правило, не бывают хорошими, тогда как хорошие не бывают красивыми. Может, причина в том, что симметричное лицо делает человека жестоким? Или в том, что хорошее обхождение с другими людьми делает человека некрасивым? Возможно. Но так не должно быть. Посмотрите на представленный ниже «большой квадрат мужчин».

В качестве рабочей гипотезы я допускаю, что все мужчины распределены по этому квадрату равномерно; в частности, здесь примерно в равном количестве присутствуют хорошие красивые мужчины, хорошие уродливые мужчины, плохие красивые мужчины и плохие уродливые мужчины.

Однако у хорошего характера и красоты есть общее следствие: эти качества относят мужчин к той группе, на которую вы обращаете внимание. Скажите честно: ведь вы даже не станете рассматривать в качестве кандидатов в спутники жизни уродов с плохим характером. Таким образом, внутри «большого квадрата» есть «небольшой треугольник приемлемых мужчин».

Теперь источник этого явления очевиден. Самые красивые мужчины в вашем треугольнике представляют весь диапазон личностей, от самых добрых до самых жестоких. В среднем они почти такие же хорошие, как среднестатистический мужчина во всей совокупности мужчин, которая, надо признать, не такая уж хорошая. Точно так же самые хорошие мужчины всего лишь в среднем красивы. Однако некрасивые парни, которые вам нравятся (они образуют крошечный сегмент треугольника), очень хорошие люди – они должны быть такими, иначе вы их вообще не заметите. Отрицательная корреляция между внешностью и личностью в вашем списке потенциальных партнеров абсолютно реальна. Однако, если вы попытаетесь улучшить телосложение своего парня, научив его вести себя плохо, вы станете жертвой ошибки Берксона.

По такому же принципу действует литературный снобизм. Вы знаете, почему популярные романы настолько ужасны? Причина не в том, что массовый читатель не ценит качество. Причина в том, что существует «большой квадрат романов», а также в том, что вы слышали только о тех романах, попадающих в «треугольник приемлемых романов», которые являются либо популярными, либо хорошими. Если вы заставите себя прочитать непопулярные романы, выбранные, по сути, случайным образом (я входил как-то в жюри по присуждению литературных премий, так что я реально занимался этим), вы обнаружите, что большинство из них, как и популярные романы, довольно низкого качества.

Безусловно, «большой квадрат» – слишком простой инструмент. Существует гораздо больше двух измерений, по которым вы можете оценивать своих возлюбленных или книги для чтения. Так что «большой квадрат» следовало бы назвать «большим гиперкубом». И речь идет только о ваших личных предпочтениях! Если вы попытаетесь понять, что происходит с населением в целом, вам понадобится разобраться с тем фактом, что разные люди по-разному определяют привлекательность; они могут присваивать разный вес разным критериям, или у них просто могут быть несовместимые предпочтения. Процесс агрегирования мнений, предпочтений и желаний множества разных людей создает очередной ряд трудностей, а это значит, что у нас появилась еще одна возможность позаниматься математикой. Ею мы и займемся.

Вы сознательный гражданин Соединенных Штатов Америки или другой более или менее либеральной демократической страны. Возможно, вы даже занимаете какую-то выборную должность. С вашей точки зрения, правительство должно посильно уважать волю народа. Поэтому вам не мешало бы знать, чего народ хочет.

Вы можете провести опрос среди огромного количества людей и все равно не получить однозначного ответа. Возьмем в качестве примера такой вопрос: хотят ли американцы, чтобы у них было правительство с ограниченными полномочиями? Да, безусловно, хотят – мы постоянно говорим об этом. В январе 2011 года в ходе опроса телеканала CBS News 77 % респондентов заявили, что сокращение расходов – лучший способ решить проблему дефицита государственного бюджета, тогда как всего 9 % отдали предпочтение повышению налогов{248}. Такой результат вряд ли покажется просто продуктом текущей моды на жесткую экономию – американцы из года в год предпочитают скорее сокращать правительственные программы, чем платить более высокие налоги.

Но какие именно программы? Здесь возникает щекотливая ситуация. Оказывается, людям нравится то, на что правительство США расходует деньги. В феврале 2011 года Pew Research Center был проведен опрос, в ходе которого американцам задавали вопросы по поводу тринадцати категорий правительственных расходов{249}. Независимо от дефицита бюджета, для одиннадцати из этих категорий большее количество респондентов хотели увеличить расходы, а не сократить их. Под топор попали только две категории: помощь иностранным государствам и страхование на случай безработицы, на которые приходилось в сумме не более 5 % расходов. Это также согласуется с данными многолетних наблюдений: средний американец всегда стремится сократить помощь другим странам, в редких случаях терпимо относится к сокращению расходов на социальное обеспечение и довольно воинственно выступает против увеличения расходов на все остальные программы, финансируемые за счет налогов.

О да, конечно, мы все хотим, чтобы функции правительства были ограничены.

На уровне штатов имеет место такая же непоследовательность. Подавляющее большинство респондентов, принимавших участие в опросе Pew Research, высказались в поддержку сокращения программ в сочетании с повышением налогов в целях устранения дефицита бюджета. Следующий вопрос касается сокращения расходов на образование, здравоохранение, транспортную систему или пенсионное обеспечение. И еще: как поступить с повышением налога на доходы от продаж, подоходного налога на уровне штата или налогов на бизнес? Ни один из этих вариантов не получил поддержки большинства респондентов.

«Самое правдоподобное толкование этих данных состоит в том, что людям свойственно стремление к дармовщине, – писал экономист Брайан Каплан. – Они хотят тратить на правительство меньше денег, но так, чтобы это не затрагивало его основные функции»{250}. Лауреат Нобелевской премии, экономист Пол Кругман сказал об этом следующее: «Люди хотят сокращения расходов, но выступают против сокращения во всех областях, кроме помощи другим странам… Неизбежен такой вывод: у республиканцев есть мандат на отмену законов арифметики»{251}. В отчете о результатах опроса Harris по вопросам бюджета, проведенного в феврале 2011 года, такое противоречивое отношение общественности к бюджету описано еще более красочно: «Создается впечатление, что многие хотят вырубить лес, оставив при этом деревья»{252}. Это и есть неприглядный портрет американской общественности. Мы либо младенцы, неспособные понять, что сокращение бюджета неизбежно приведет к сокращению финансирования программ, которые мы поддерживаем, либо мы упрямые неразумные дети, понимающие эту математическую зависимость, но не желающие принимать ее.

Откуда вам знать, чего хотят люди, если то, что они говорят, не имеет смысла?

Позвольте мне вступиться за американский народ, по крайней мере по этому вопросу, прибегнув к помощи текстовой задачи.

Предположим, треть избирателей считает, что мы должны решить проблему дефицита бюджета посредством повышения налогов без сокращения расходов, еще одна треть выступает за сокращение военных расходов, а остальные считают, что нам следует существенно сократить объем пособий, выплачиваемых по программе льготного медицинского страхования Medicare.

Двое из трех американцев хотят сократить расходы; следовательно, по результатам опроса, в ходе которого респондентам задают вопрос: «Следует ли нам сократить расходы или повысить налоги?» – сторонники сокращения расходов выиграют с большим перевесом, равном 67 к 33.

Что будем сокращать? Если вы спросите: «Следует ли нам сократить оборонный бюджет?» – в ответ получите категорическое нет. Две трети избирателей (сторонники повышения налогов и сторонники сокращения пособий, выплачиваемых по программе Medicare) хотят, чтобы расходы на оборону остались на прежнем уровне. Вопрос: «Должны ли мы сократить выплату пособий Medicare?» – проигрывает с таким же соотношением голосов.

Это знакомая нам противоречивая позиция, которую мы часто видим во время опросов: «Мы хотим сокращения расходов! Но мы хотим также, чтобы сохранилось финансирование всех программ!» Как мы оказались в таком тупике? Не потому что мы глупы или пребываем в иллюзиях. Каждый отдельный избиратель занимает в высшей степени разумную, непротиворечивую политическую позицию. Однако их совокупная позиция бессмысленна.

Если глубже проанализировать результаты опросов по теме бюджета, становится очевидным, что наша текстовая задача не так уж далека от истины. Только 47 % американцев считали, что устранение дефицита бюджета потребует сокращения программ, которые помогли таким людям, как они сами{253}. Всего 38 % участников опроса согласились с тем, что процесс сокращения расходов коснется и ряда полезных программ. Другими словами, инфантильного «среднего американца», который хочет сократить расходы, но требует сохранить все программы до единой, просто не существует. Средний американец считает, что существует множество совершенно бесполезных федеральных программ, бросающих наши деньги на ветер, и готов урезать их, чтобы привести бюджет в равновесие. Проблема в том, что в обществе нет консенсуса по поводу того, какие программы бесполезны. В значительной мере это объясняется тем, что, по мнению большинства американцев, любой ценой следует сохранить те программы, которые приносят пользу им лично. (Я не говорил, что мы не эгоисты, я сказал только, что мы не глупцы!)

Система, которая опирается на принцип подчинения меньшинства большинству, довольно проста, изящна и, кажется, даже справедлива, но она эффективна только в том случае, если необходимо сделать выбор из двух вариантов. Если вариантов больше двух, в предпочтениях большинства начинают появляться противоречия. В момент написания этих строк американцы резко разошлись во взглядах на самое заметное достижение президента Обамы в области внутренней политики – Закон о доступном медицинском обслуживании. В октябре 2010 года был проведен опрос вероятных избирателей, в ходе которого 52 % респондентов заявили, что они против этого закона, тогда как 41 % респондентов высказались в поддержку закона{254}. Плохие новости для Обамы? Не совсем, если проанализировать более подробные данные. За полную отмену реформы системы здравоохранения высказались 37 % респондентов, а еще 10 % заявили, что положения закона следует ослабить; с другой стороны, 15 % опрошенных предпочли оставить все как есть, а 36 % заявили, что закон необходимо расширить, с тем чтобы внести в существующую систему здравоохранения еще более кардинальные изменения, чем предусмотрено текущим вариантом закона. Это говорит о том, что многие противники закона находятся слева от Обамы, а не справа. Здесь существует минимум три варианта: оставить систему здравоохранения в покое, погубить ее или сделать сильнее. И большинство американцев выступает против каждого из этих вариантов[286].

Несогласованность позиции большинства создает множество возможностей для введения людей в заблуждение. Вот как могли бы объявить о приведенных выше результатах опроса на канале Fox News:

Большинство американцев выступает против Obamacare!

А вот как это сообщение могло бы выглядеть на канале MSNBC:

Большинство американцев хотят сохранить или усилить Obamacare!

Эти два заголовка рассказывают совершенно разные истории об общественном мнении. Досадно лишь, что они оба верны.

Однако оба заголовка содержат неполную информацию. Сколько американцев не одобряет политику президента Обамы на Ближнем Востоке – 56 % населения? Эта впечатляющая цифра может включать в себя как левых с их лозунгом «Хватит проливать кровь за нефть!», так и правых, призывающих «Уничтожить их всех атомной бомбой», плюс еще несколько сторонников Пэта Бьюкенена и убежденных либертарианцев. Само по себе это почти ничего не говорит нам о том, чего хотят люди.

Ситуация с выборами может показаться немного легче. Человек, который проводит опрос, предлагает вам сделать простой бинарный выбор – точно такой же, который вам предстоит сделать у избирательной урны: кандидат 1 или кандидат 2?

Однако в некоторых случаях вариантов бывает больше двух. Во время президентских выборов 1992 года Билл Клинтон набрал 43 % голосов избирателей, опередив Джорджа Буша-старшего, который набрал 38 % голосов, и Росса Перо, получившего 19 % голосов. Иначе говоря, большинство избирателей (57 %) считали, что Билл Клинтон не должен быть президентом. С другой стороны, большинство избирателей (62 %) считали, что Джордж Буш не должен быть президентом. А самое крупное большинство избирателей (81 %) считали, что Росс Перо не должен быть президентом. Интересы каждого варианта большинства невозможно удовлетворить одновременно, а значит, в одном случае принцип большинства не будет выполнен.

На первый взгляд кажется, что это не такая уж большая проблема – можно просто отдать президентство тому кандидату, который набрал больше всего голосов, что и делает американская избирательная система, если оставить в стороне детали, связанные с коллегией выборщиков.

Но давайте предположим, что 19 % избирателей, отдавших свои голоса за Перо, разделились на 13 % тех, кто считает Буша вторым лучшим кандидатом, а Клинтона худшим из всех кандидатов, и 6 % тех, кто считает, что Клинтон лучший из двух кандидатов от основных партий[287]. В таком случае, если вы зададите избирателям прямой вопрос: кого они хотят видеть президентом, Клинтона или Буша, – большинство (51 %) отдали бы предпочтение Бушу. Вы по-прежнему считаете, что люди хотят видеть Клинтона в Белом доме? Или выбором народа станет Буш, которого большинство избирателей предпочли Клинтону? Почему чувства избирателей по отношению к Россу Перо оказывают влияние на то, кто именно станет президентом – Буш или Клинтон?

Думаю, правильный ответ состоит в том, что ответа просто нет. Такой штуки – общественного мнения – просто не существует. Точнее говоря, оно существует только в некоторых случаях, когда речь идет о вопросах, по которым у большинства есть однозначное мнение. Можно с уверенностью утверждать, что общественность считает терроризм злом, а «Теорию большого взрыва» – замечательным телесериалом. Однако сокращение дефицита бюджета – это совсем другое дело. В этом вопросе большинство не придерживается однозначной позиции.

Если нет такой вещи, как общественное мнение, что же тогда делать выборному должностному лицу? Вот самый простой ответ: в тех случаях, когда у людей нет согласованного мнения, делайте то, что считаете нужным. Как мы уже видели, простая логика требует время от времени делать то, что противоречит мнению большинства. Если вы заурядный политик, здесь вы укажете на тот факт, что результаты опросов содержат внутренние противоречия. Если вы хороший политик, вы скажете: «Меня избрали для того, чтобы руководить, а не отслеживать результаты опросов».

Политик высокого класса нашел бы в этой ситуации способ обратить несогласованность общественного мнения себе на пользу. По данным опроса Pew Research за февраль 2011 года, о котором шла речь выше, 31 % респондентов поддержали сокращение расходов на транспортную систему, еще 31 % респондентов высказались в поддержку сокращения финансирования школ, но только 41 % опрошенных поддержали повышение налогов на доходы местных компаний, чтобы покрыть эти расходы. Другими словами, большинство респондентов выступали против каждого из основных способов сокращения дефицита бюджета штата. Какой вариант должен выбрать губернатор, чтобы свести к минимуму политические издержки? Ответ: не выбирайте один вариант, выберите два. Вот какую речь должен произнести губернатор:

«Я даю торжественное обещание не повышать налоги ни на один цент. Я обеспечу муниципалитеты теми инструментами, которые необходимы им для предоставления налогоплательщикам высококачественных общественных услуг по меньшей себестоимости».

Теперь, с учетом меньшего объема доходов на уровне штата, органам власти каждого населенного пункта придется самим делать выбор из оставшихся двух вариантов: сократить расходы на дороги или на школы. Понимаете, в чем гениальность этого решения? Губернатор намеренно исключил повышение налогов, самый популярный из трех вариантов, но все-таки его твердая позиция получила поддержку большинства: 59 % избирателей согласны с губернатором в том, что не следует повышать налоги. Бедному мэру или главе исполнительной власти округа придется самому принимать решение о сокращении расходов. У этого бедолаги нет другого выбора, кроме как проводить политику, которая не нравится большинству избирателей, и именно он пострадает от последствий, тогда как губернатор остается в выгодном положении. В игре с бюджетом, как и во многих других играх, большое преимущество получает тот, кто первым вступает в игру.

Казнить умственно отсталых заключенных – это неправильно? На первый взгляд – вполне абстрактный этический вопрос, но на самом деле это был крайне важный вопрос, который рассматривался в ходе одного дела Верховного суда. Точнее говоря, вопрос не был сформулирован таким образом: «Неправильно ли казнить умственно отсталых заключенных?» – нет, он был поставлен прямее: «Считают ли американцы неправильным казнить умственно отсталых заключенных?» Это вопрос общественного мнения, а не вопрос этики, а как мы уже видели, почти во всех вопросах по поводу общественного мнения присутствует парадокс и неразбериха.

Далеко не простой вопрос.

Судьи рассматривали его в 2002 году, в деле «Аткинс против штата Виргиния». Дэрил Ренард Аткинс и его сообщник Уильям Джонс под угрозой применения оружия ограбили человека, похитили его, а затем убили. Каждый из обвиняемых утверждал, что убийца другой, но члены жюри поверили Джонсу, после чего Аткинса обвинили в тяжком убийстве и приговорили к смертной казни.

В ходе судебного процесса не ставилось под сомнение ни качество доказательств, ни тяжесть преступления. Вопрос, с которым столкнулся суд, состоял не в том, что Аткинс совершил, а кем он был. В Верховном суде штата Виргиния адвокат Аткинса заявил, что его подопечный страдает слабой формой умственной отсталости и его IQ равен 59, поэтому степень его моральной ответственности нельзя считать достаточной для вынесения смертного приговора. Верховный суд штата отклонил этот аргумент, сославшись на постановление Верховного суда США, принятое в 1989 году по делу «Пенри против Лино», в котором было сказано, что смертная казнь умственно отсталых заключенных не является нарушением конституции.

Судьи штата Виргиния пришли к такому выводу не без серьезных разногласий. Затрагивавшиеся в этом деле конституционные вопросы были настолько сложными, что Верховный суд США согласился пересмотреть дело, а вместе с ним и дело Пенри. На этот раз высокий суд занял противоположную позицию. В решении под номером 6-3 судьи постановили, что казнь Аткинса или любого другого умственно отсталого преступника противоречила бы конституции.

На первый взгляд это кажется странным. За 1989–2012 годы не вносилось никаких существенных изменений в конституцию; в таком случае как мог этот документ сначала разрешить смертную казнь, а через двадцать три года запретить ее? Ключ к решению этого противоречия лежит в формулировке восьмой поправки, которая запрещает применять «жестокое и необычное наказание». Вопрос о том, какое именно наказание можно назвать жестоким и необычным, долго был предметом юридических разногласий. Точный смысл этих слов определить трудно: означает ли слово «жестокий» то, что имели в виду отцы-основатели, или то, что подразумеваем под этим мы? Означает ли слово «необычный» то, что было необычным тогда, или то, что считается необычным сейчас? Творцы Конституции США знали об этой значимой неопределенности. Когда в августе 1789 года в палате представителей проходили дебаты по вопросу принятия «Билля о правах», Сэмюэл Ливермор из Нью-Гемпшира утверждал, что расплывчатость формулировок позволит мягкосердечным будущим поколениям объявить необходимые формы наказания вне закона:

Преследовавший Ливермора кошмар сбылся: мы больше не отрезаем людям уши, даже когда они умоляют нас об этом; более того, мы считаем, что конституция запрещает нам это делать. В основе судебной практики восьмой поправки сегодня лежит принцип «повышения стандартов добропорядочности», который был впервые сформулирован в деле «Троп против Даллеса» (1958 год) и который гласит, что именно современные американские нормы, а не нормы, действовавшие в августе 1789 года, определяют стандарт того, какое наказание можно считать жестоким и необычным.

Здесь в игру вступает общественное мнение. В деле Пенри заключение судьи Сандры Дэй О’Коннор гласило, что результаты опросов общественного мнения, свидетельствующие о том, что подавляющее большинство членов общества выступают против казни умственно неполноценных преступников, не должны учитываться при определении «стандартов добропорядочности». Для того чтобы общественное мнение учитывалось судом, члены законодательного собрания штата должны в законодательном порядке определить, что представляют собой «самые четкие и самые объективные свидетельства современных ценностей». Только два штата, Джорджия и Мэриленд, приняли в 1989 году специальные законодательные положения, запрещающие казнь умственно отсталых преступников. Ситуация изменилась к 2002 году: казнь умственно отсталых была объявлена вне закона во многих штатах; даже законодательное собрание штата Техас приняло такой закон, хотя губернатор наложил вето на введение его в силу. В деле Аткинса против штата Виргиния большинство судей пришли к выводу, что эту волну законодательных актов можно считать достаточным доказательством такого повышения стандартов добропорядочности, которое не позволяет приговорить Дэрила Аткинса к смерти.

Судья Антонин Скалиа не разделял этого мнения. Прежде всего, он крайне неохотно соглашался с тем, что восьмая поправка может запрещать те виды наказания, которые во времена отцов-основателей были разрешены конституцией[288] (например, отрезание ушей, известное в пенологии[289] как обрезка).

Однако Скалиа пишет, что даже с учетом этого законодательные собрания штатов не демонстрируют национального консенсуса против казни умственно отсталых преступников, как того требует прецедент Пенри:

В основе постановления суда, принятого большинством судей, лежат другие математические расчеты. По мнению судей, есть запрет на казнь умственно отсталых преступников, действующий в тридцати штатах: в восемнадцати штатах, упомянутых Скалиа, и еще в двенадцати, в которых вообще запрещена смертная казнь. В сумме это и есть тридцать штатов из пятидесяти – значительное большинство.

Какой показатель правильный? Братья Ахил и Викрам Амар, профессоры конституционного права, объясняют, почему большинство опирается на более прочную математическую основу{257}. Они предлагают следующее. Представьте себе ситуацию, в которой законодательные собрания сорока семи штатов запретили смертную казнь, однако два из трех оставшихся штатов разрешают казнь умственно отсталых преступников. В таком случае трудно отрицать тот факт, что национальный стандарт добропорядочности исключает смертную казнь в целом, тем более казнь умственно отсталых преступников. Другой вывод был бы равносилен признанию слишком большого морального авторитета трех штатов, позиция которых не соответствует настрою всей страны. Следовательно, в данном случае было бы правильно рассматривать соотношение 48 из 50, а не 1 из 3.

Однако в реальной жизни национального консенсуса против самой смертной казни не существует. Это придает аргументу Скалиа определенную привлекательность. Именно двенадцать штатов[290], в которых запрещена смертная казнь, занимают позицию, отличающуюся от общенационального мнения в поддержку смертной казни. Если эти штаты считают, что смертная казнь вообще должна быть запрещена, как они могут иметь какое-либо мнение по поводу того, в каких случаях смертная казнь допустима?

Скалиа допустил ту же ошибку, которая присуща многим попыткам понять общественное мнение: он не учел противоречивость общей совокупности мнений. Посмотрите на ситуацию с такой точки зрения. Сколько штатов считали в 2002 году, что смертная казнь морально неприемлема? На законодательном уровне – только двенадцать. Другими словами, большинство штатов, то есть тридцать восемь из пятидесяти, считают смертную казнь морально приемлемой.

Теперь давайте ответим на такой вопрос: сколько штатов считают, что с юридической точки зрения казнь умственно отсталых преступников – это еще хуже, чем казнь кого бы то ни было другого? Безусловно, двадцать штатов, в которых разрешены обе практики, не могут быть включены в число таких штатов. Нельзя отнести к этой категории и двенадцать штатов, в которых смертная казнь категорически запрещена. Надлежащее правовое разграничение проводится только в восемнадцати штатах. Это больше, чем было указано в решении по делу Пенри, но все равно это незначительное меньшинство.

В большинстве штатов, тридцати двух из пятидесяти, смертная казнь умственно отсталых преступников была в таком же правовом состоянии, что и смертная казнь вообще[291].

Сведение всех этих утверждений воедино кажется вопросом простой логики: если большинство считает приемлемой смертную казнь в целом и если большинство считает, что казнь умственно отсталых преступников не хуже, чем смертная казнь вообще, тогда большинство должно одобрять смертную казнь умственно отсталых преступников.

Однако это не так. Как мы уже видели, «большинство» – не есть единый субъект, который следует логическим правилам. Не забывайте: большинство избирателей не хотели, чтобы Джордж Буш-старший был переизбран в 1992 году, и большинство избирателей не хотели, чтобы Билл Клинтон занял должность Буша; однако, как бы этого ни хотел Росс Перо, из этого не следует, что большинство не хочет видеть в Овальном кабинете ни Буша, ни Клинтона.

Аргументация братьев Амар более убедительна. Если вы хотите знать, сколько штатов считают казнь умственно отсталых преступников морально неприемлемой, вам просто следует выяснить, сколько штатов запрещают эту практику – а их тридцать, а не восемнадцать.

Вышесказанное не означает, что общий вывод Скалиа ошибочен, а мнение большинства правильное; это правовой, а не математический вопрос. Справедливости ради, я должен отметить, что Скалиа выдвигает и ряд математических аргументов. Например, в мнении большинства, к которому присоединился судья Джон Стивенс, сказано, что казнь умственно отсталых заключенных встречается редко даже в тех штатах, в которых смертная казнь не запрещена, что говорит о неприятии такой казни общественностью, выходящей за рамки того, что официально предписывают законодательные органы штатов. Стивенс пишет, что за тринадцать лет, прошедших с дела Пенри до дела Аткинса, такая казнь была осуществлена только в пяти штатах.

За этот период было казнено всего 600 человек{258}. Стивенс утверждает, что доля умственно отсталых людей в общей численности населения США составляет 1 %. Следовательно, если умственно отсталых преступников казнили бы в таком же количестве, что и население в целом, можно было бы предположить, что пять или шесть представителей этой группы населения были лишены жизни. Скалиа отмечает, что, с этой точки зрения, имеющиеся данные не показывают никакого особого нежелания казнить умственно отсталых преступников. В штате Техас не был казнен ни один епископ Греческой православной церкви, но неужели вы сомневаетесь в том, что в Техасе казнили бы епископа, если бы в том возникла необходимость?

То, что действительно беспокоило Скалиа в деле Аткинса, – это не столько поставленный перед судом конкретный вопрос, который, по мнению обеих сторон, затрагивает микроскопическую часть дел о тяжких преступлениях, за которые может быть назначена смертная казнь. Судью беспокоит скорее явление, названное им постепенной отменой смертной казни посредством судебных постановлений. Скалиа приводит цитату из составленного им самим мнения по делу «Хармелин против штата Мичиган»: «Восьмая поправка – это не рычаг, с помощью которого временный консенсус по поводу снисхождения к определенным преступлениям фиксирует постоянный конституционный максимум, не позволяющий штатам реализовать изменившиеся убеждения и отреагировать на изменение социальных условий».

Скалиа прав, высказывая беспокойство по поводу системы, в которой порывы одного поколения американцев могут ограничивать наших потомков с точки зрения конституции. Однако очевидно, что возражения Скалиа носят не просто правовой характер; его беспокоит то, что Америка теряет привычку наказания из-за вынужденного неприменения этой привычки, что Америка согласно закону не только не может казнить умственно отсталых преступников, но в силу мягкости суда еще и забыла, что хочет это делать. Скалиа, во многом подобно Сэмюелю Ливермору две сотни лет назад, с сожалением предвидит появление мира, в котором народ в значительной мере утратит свою способность применять эффективное наказание по отношению к преступникам. Я не могу разделить их обеспокоенность. Безграничная изобретательность человека в придумывании способов наказания людей соперничает с нашими способностями в области искусства, философии и науки. Наказание – это возобновляемый ресурс; нет никакой опасности, что он когда-либо будет исчерпан.

Слизевой гриб Physarum polycephalum (физарум многоголовый) – удивительный маленький организм. Большую часть своей жизни он проводит как крошечная клетка, отдаленно напоминающая амебу. Однако при подходящих условиях тысячи таких организмов объединяются в единый коллектив под названием «плазмодий»; в этой форме слизевик имеет ярко-желтый цвет и становится настолько большим, что его можно видеть невооруженным глазом. В природе слизевик живет на разлагающихся растениях. В лабораторном существовании он очень любит овсяные хлопья.

Вас, наверное, удивляет, почему мы должны обсуждать психологию плазмодиального слизевого гриба – у нет мозга, нет вообще никакой нервной системы, не говоря уже о мыслях и чувствах. Однако слизевик, как и любое другое живое существо, умеет принимать решения, причем интересно, что они у него довольно правильные. В ограниченном мире слизевика такие решения в той или иной степени сводятся к следующему: «перемещаться к тому, что мне нравится» (овес), «удаляться от того, что мне не нравится» (яркий свет). Каким-то образом слизевик посредством децентрализованного мыслительного процесса способен эффективно справиться с такой задачей. Иными словами, слизевика можно научить проходить через лабиринт{259}[292]. (Правда, для этого понадобится много времени и много овсяных хлопьев.) Биологи рассчитывают на то, что, разобравшись с тем, как слизевик ориентируется в своем мире, они смогут открыть окно в эволюционный рассвет познания.

Даже здесь, в случае самого примитивного способа принятия решений, мы сталкиваемся с загадочным феноменом. Таня Лэтти и Мэдлин Бикман из Сиднейского университета изучали, как слизевики справляются с принятием трудных решений{260}. Выглядит это примерно так. На одной стороне чашки Петри находится три грамма овсяных хлопьев, на другой – пять грамм хлопьев, но на эти хлопья направлен ультрафиолетовый свет. Вы размещаете слизевика в центре чашки Петри. Что он будет делать?

Лэтти и Бикман обнаружили, что при таких условиях слизевик выбирает каждый из вариантов примерно в половине случаев: дополнительное количество пищи почти полностью компенсирует неприятные ощущения из-за ультрафиолетового света. Если вы были бы классическим экономистом вроде тех, с которыми Дэниел Эллсберг работал в RAND, вы сказали бы, что маленькая кучка овсяных хлопьев в темноте и кучка хлопьев побольше на свету имеют для слизевика одинаковую полезность, поэтому гриб колеблется в выборе между этими двумя вариантами.

Замените пять грамм хлопьев десятью граммами – и этот баланс нарушен: слизевик каждый раз направляется в сторону кучки хлопьев весом десять грамм, независимо от того, освещена эта кучка или нет. Эксперименты такого рода предоставляют нам информацию о приоритетах слизевика и о том, как он принимает решения, когда эти приоритеты вступают в противоречие друг с другом. Кроме того, в ходе таких экспериментов слизевой гриб ведет себя как довольно разумное существо.

Но затем произошло нечто неожиданное. Экспериментаторы попытались разместить слизевика в чашке Петри с тремя вариантами выбора: три грамма овсяных хлопьев в темноте (3-темнота), пять грамм овсяных хлопьев на свету (5-свет) и один грамм хлопьев в темноте (1-темнота). Мы можем предположить, что слизевик почти никогда не будет приближаться к кучке «1-темнота»: в кучке «3-темнота» больше хлопьев, и она находится в темноте, а значит, это явно более предпочтительный вариант. И действительно, слизевик почти никогда не выбирает вариант «1-темнота».

Более того, мы допускаем, что, поскольку в прошлом слизевик находил варианты «3-темнота» и «5-свет» одинаково привлекательными, он продолжит делать это и в новых условиях. В экономических терминах это значит, что наличие нового варианта не должно менять того факта, что варианты «3-темнота» и «5-свет» имеют одинаковую полезность. Но нет: когда есть вариант «1-темнота», слизевик на самом деле меняет свои предпочтения, выбирая вариант «3-темнота» в три раза чаще, чем вариант «5-свет»!

Что происходит?

Даю подсказку: маленькая кучка хлопьев в темноте играет в данной ситуации ту же роль, что и Росс Перо во время выборов.

На языке математики эта ситуация обозначается термином «независимость от посторонних альтернатив». Этот принцип гласит, что кем бы вы ни были – слизевиком, человеком или демократической страной, – если у вас есть два варианта выбора А и Б, наличие третьего варианта В не должно влиять на то, какой из вариантов А и Б нравится вам больше. Если вы решаете, какой автомобиль вы хотели бы иметь: «Тойота Приус» или «Хаммер», – не имеет значения, есть ли у вас еще и «Форд Пинто». Вы ведь точно знаете, что не собираетесь выбирать «Форд». Так какое отношение он может иметь к вашему выбору?

Или возьмем более близкую к политике ситуацию. Пусть вместо автодилера будет штат Флорида, вместо автомобиля «Приус» – Эл Гор, вместо «Хаммера» – Джордж Буш-младший, а вместо «Форда Пинто» – Ральф Нейдер. Во время президентских выборов 2000 года Джордж Буш получил 48,85 % голосов, Альберт Гор – 48,84 % голосов. Пинто получил 1,6 % голосов.

Во время выборов 2000 года во Флориде сложилась следующая ситуация. Ральф Нейдер не имел шансов получить голоса коллегии выборщиков штата Флорида. Вы знаете это, я знаю это, и каждый избиратель во Флориде знал это. На самом деле перед избирателями Флориды стоял не вопрос:

а вопрос:

Можно с уверенностью утверждать, что, по мнению практически каждого избирателя, отдавшего голос за Нейдера, Эл Гор был бы лучшим президентом, чем Джордж Буш[293].

Я не говорю о том, что исход этих выборов должен был быть другим. Однако правда и то, что голосование приводит порой к парадоксальным результатам, когда большинство не всегда побеждает, а посторонние альтернативы контролируют исход выборов. Клинтон получил от этого свою выгоду в 1992 году, младший Буш – в 2000 году, но математический принцип остается прежним: понять, «чего на самом деле хотят избиратели», очень трудно.

Однако выборы в Америке – не единственный способ. Поначалу это может показаться странным: какой еще выбор, кроме кандидата, набравшего самое большое количество голосов, может быть справедливым?

Интересно, как размышлял бы над этой проблемой математик? И действительно, был один математик, пытавшийся ее решить. Жан-Шарль де Борда, французский ученый XVIII столетия, известный своей работой в области баллистики. Выборы – это машина. Мне нравится представлять выборы в виде большой чугунной мясорубки. То, что поступает в мясорубку выборов на входе, – это предпочтения отдельных избирателей. Колбасообразная масса, которая появляется на выходе, после того как вы повернете ручку, – это то, что мы называем волей народа.

Эл Гор проиграл во Флориде – что именно беспокоит нас в этой ситуации? То, что на самом деле больше избирателей предпочли Гора Бушу, а не наоборот. Почему наша избирательная система не знает об этом? Потому что у людей, голосовавших за Нейдера, не было возможности выразить свое предпочтение Гору перед Бушем. Другими словами, мы исключаем из рассмотрения важную информацию, относящуюся к делу.

Математик в этом случае сказал бы: «Нельзя не учитывать информацию, имеющую отношение к задаче, которую вы пытаетесь решить!»

У производителя колбас свой взгляд на вещи: «Коли беретесь делать фарш, сразу используйте всю корову!»

И оба согласились бы с тем, что вы должны найти способ принять во внимание всю совокупность предпочтений избирателей, а не только то, какой кандидат нравится им больше всех. Предположим, процедура голосования позволила бы избирателям штата Флорида составить список всех трех кандидатов в порядке их предпочтения. Результаты могли бы выглядеть примерно так[294]:

Первая группа представляет республиканцев; вторая – либеральных демократов; третья – консервативных демократов, для которых Нейдер – явный перебор.

Как использовать эту дополнительную информацию? Борда предложил простой и изящный метод, согласно которому каждый кандидат получает определенное количество очков в зависимости от его места в рейтинге. В частности, если есть три кандидата, 2 очка получает кандидат, получивший первое место, 1 очко – второе место и 0 очков – третье место. В нашем примере Буш получает 2 очка от 49 % голосов и еще 1 очко от 24 % голосов, что составляет:

2 × 0,49 + 1 × 0,24 = 1,22 очка.

Гор получает 2 очка от 49 % голосов и 1 очко от 51 % голосов – всего 1,49 очка. Нейдер получает 2 очка от 2 % голосов тех избирателей, которым он нравится больше всего, и еще одно очко от 25 % голосов либералов – что дает в результате 0,29 очка.

Таким образом, Гор занимает первое место, Буш второе, а Нейдер третье. Этот результат согласуется с тем фактом, что 51 % избирателей отдают предпочтение Гору перед Бушем, 98 % предпочитают Гора Нейдеру и 73 % предпочитают Буша Нейдеру. Все три большинства получают свое!

Но что если числа были бы немного другими? Предположим, вы перенесете 2 % голосов избирателей с варианта «Гор, Нейдер, Буш» на вариант «Буш, Гор, Нейдер». В таком случае результат подсчета голосов был бы таким:

Теперь большинство обитателей штата Флорида симпатизируют Бушу больше, чем Гору. Более того, большинство обитателей штата считают Буша самым лучшим кандидатом. Однако по методу Борда Гор по-прежнему существенно опережает Буша, с перевесом 1,47 балла против 1,26 балла. Что выводит Гора на первое место? Присутствие «посторонней альтернативы» Ральфа Нейдера, того самого кандидата, который спутал Гору все карты во время выборов 2000 года. Присутствие Нейдера в избирательном бюллетене вытесняет Буша на третье место во многих вариантах, из-за чего он теряет очки. В то же время Гор никогда не попадает на последнее место, поскольку люди, которые не испытывают к нему симпатии, еще больше не любят Нейдера.

Это возвращает нас к слизевому грибу. Если вы помните, у слизевика нет мозга, который позволял бы ему координировать процесс принятия решений, а только тысячи ядер в составе плазмодия, толкающие его в том или ином направлении. При этом слизевик должен каким-то образом агрегировать имеющуюся информацию и выработать решение.

Если слизевик принимал бы решение, исходя только из количества пищи, он поставил бы вариант «5-свет» на первое место, вариант «3-темнота» на второе место и вариант «1-темнота» на третье место. Если основным критерием принятия решений была бы темнота, тогда на первом месте был бы вариант «3-темнота» в связке с вариантом «1-темнота», а на третьем месте был бы вариант «5-свет».

Эти рейтинги несовместимы. Так как же слизевик принимает решение отдать предпочтение варианту «3-темнота»? По мнению Лэтти и Бикман, чтобы сделать выбор, слизевик использует некую форму демократии, опираясь на нечто, отсылающее нас к методу Борда. Предположим, 50 % ядер слизевика интересует пища, и 50 % беспокоится по поводу света. В таком случае таблица подсчета баллов по методу Борда выглядела бы так[295]:

Вариант «5-свет» получает 2 очка от половины слизевиков, которых интересует пища, и 0 очков от тех слизевиков, которых беспокоит свет, то есть итоговый результат составляет:

2 × (0,5) + 0 × (0,5) = 1

Если на первом месте рейтинга находятся два варианта, они оба получают по 1,5 очка; таким образом, вариант «3-темнота» получает 1,5 очка от половины слизевиков и 1 очко от другой половины, что дает в сумме 1,25. А самый незначительный вариант «1-темнота» не получает ничего от половины предпочитающих пищу слизевиков, которые ставят этот вариант на последнее место, и 1,5 очка от половины ненавидящих свет слизевиков, которые привязывают этот вариант к первому месту, что дает 0,75 очка. В итоге вариант «3-темнота» занимает первое место, вариант «5-свет» – второе и вариант «1-темнота» – третье, что полностью соответствует экспериментальному результату.

Допустим, что варианта «1-темнота» вообще не было. В таком случае половина слизевиков присвоили бы варианту «5-свет» более высокий рейтинг, чем варианту «3-темнота», а другая половина слизевиков оценили бы вариант «3-темнота» выше варианта «5-свет». В итоге получается равное количество баллов, что и произошло в ходе первого эксперимента, когда слизевик делал выбор между кучкой овсяных хлопьев весом 3 грамма в темноте и кучкой хлопьев весом 5 граммов на свету.

Иными словами, маленькая неосвещенная кучка хлопьев нравится слизевику примерно в такой же степени, что и большая, ярко освещенная кучка хлопьев. Однако, если добавить еще меньшую темную кучку хлопьев, маленькая темная кучка в сравнении с ней выглядит лучше, причем настолько лучше, что слизевик почти всегда отдает ей предпочтение перед большой, ярко освещенной кучкой.

Этот феномен обозначается термином «эффект асимметричного доминирования», и слизевики – не единственные существа, которые ему подвержены. Биологи обнаружили, что сойки, медоносные пчелы и колибри придерживаются такого же на первый взгляд иррационального образа действий{261}.

Что говорить о людях! Здесь необходимо заменить овсяные хлопья любовными партнерами. Психологи Константин Седикидес, Дэн Ариэли и Нильс Ольсен поставили перед испытуемыми из числа студентов младших курсов такую задачу{262}:

Вы получите описание нескольких гипотетических человек. Представьте себе, что эти люди – ваши потенциальные любовные партнеры. Вам необходимо выбрать одного человека, которого вы пригласили бы на свидание. При этом вы должны исходить из того, что все потенциальные партнеры: 1) студенты Университета Северной Каролины (или Университета Дьюка); 2) имеют ту же расовую или этническую принадлежность, что и вы; 3) примерно того же возраста, что и вы. Описание этих потенциальных любовных партнеров будет содержать несколько характеристик с указанием соответствующего количества процентных пунктов. Эти процентные пункты отображают относительную позицию потенциального партнера по соответствующему качеству или характеристике в сравнении со студентами Университета Северной Каролины (или Университета Дьюка) того же пола, расы и возраста, что и потенциальный партнер.

Адам попадает в 81-й перцентиль по привлекательности, 51-й перцентиль по надежности и 65-й перцентиль по интеллекту, тогда как Билл находится в 61-м перцентиле по привлекательности, 51-м перцентиле по надежности и 87-м перцентиле по интеллекту. Студенткам университета, как и слизевикам в предыдущем примере, предстояло сделать трудный выбор. И, подобно слизевикам, они разделились на две половины, отдавшие предпочтение каждому из потенциальных партнеров.

Однако ситуация изменилась, когда в число потенциальных партнеров был включен Крис. Он находится в 81-м перцентиле по привлекательности, 51-м перцентиле по надежности (точно так же, как Адам) и только в 54-м перцентиле по интеллекту. Крис был посторонней альтернативой, тем вариантом, который был явно хуже предыдущих двух вариантов. Вы можете догадаться, что произошло дальше. На фоне немного менее умной версии Адама настоящий Адам выглядел лучше, поэтому, выбирая потенциального партнера из трех вариантов (Адам, Билл и Крис), почти две трети девушек выбрали Адама.

Следовательно, если вы одинокий молодой человек, который ищет возлюбленную, и вам нужно решить, кого из друзей взять с собой на вечеринку, выберите того, кто во многом похож на вас, но в чем-то немного вам уступает.

Что лежит в основе такой иррациональности? Мы уже видели, что очевидная иррациональность общественного мнения может проистекать из коллективного поведения в высшей степени рациональных отдельных людей. Однако отдельные люди, как нам известно по опыту, не являются абсолютно рациональными. Пример со слизевиком позволяет предположить, что парадоксальности и непоследовательности нашего повседневного поведения можно дать более системное объяснение. Возможно, отдельные люди кажутся иррациональными по той причине, что на самом деле они не являются самостоятельными индивидами! Каждый из нас представляет собой маленькое государство, которое делает все возможное, чтобы урегулировать разногласия и добиться компромисса между пререкающимися друг с другом голосами, которые нами управляют. Результаты не всегда имеют смысл, но каким-то образом они порой позволяют нам, подобно слизевикам, двигаться дальше, не совершая ужасных ошибок. Демократия – это далеко не лучшая система, но она, пожалуй, работает.

Позвольте мне рассказать, как проходят выборы в Австралии.

Избирательный бюллетень во многом напоминает бюллетень, составленный по методу Борда. Вы не просто отмечаете кандидата, который вам нравится больше всего, но и ранжируете всех кандидатов по степени предпочтения, от самого предпочтительного до самого нежелательного.

Самый простой способ объяснить, что происходит дальше, сводится к тому, чтобы посмотреть, какими были бы результаты выборов в штате Флорида в 2000 году, если эти выборы проводились бы по австралийской системе.

Давайте начнем с подсчета голосов, отданных за первые места в рейтинге, и исключим из списка кандидата, получившего наименьшее количество голосов. В нашем примере это Нейдер. Выбросьте его! Теперь у нас остались только Буш и Гор.

Однако то, что мы исключили Нейдера из списка, не означает, что мы должны выбросить избирательные бюллетени людей, которые за него голосовали. (Используйте всю корову!) Следующий этап («выбывание») представляет собой нечто поистине оригинальное. Давайте вычеркнем Нейдера из каждого бюллетеня и подсчитаем голоса снова, как будто Нейдера никогда не было. Теперь у Гора 51 % голосов за первое место в рейтинге: 49 % голосов, которые он получил в первом раунде голосования, плюс голоса, которые раньше принадлежали Нейдеру. У Буша остались все те же 49 %, с которых он начал. Рейтинг Буша оказался ниже, значит, его следует исключить из списка. И Гор становится победителем.

Как поступим с тем вариантом выборов во Флориде 2000 года, который мы слегка изменили посредством переноса 2 % голосов избирателей с варианта «Гор, Нейдер, Буш» на вариант «Буш, Гор, Нейдер»? В этом случае Гор все равно победил бы по методу Борда. Однако в австралийской избирательной системе действуют другие правила. Нейдер по-прежнему выбывает из списка в первом раунде голосования, но теперь побеждает Буш, поскольку 51 % бюллетеней ставит его в рейтинге выше Гора.

Преимущества системы голосования с выбыванием кандидатов (которую в Австралии называют преференциальной системой) очевидны. Люди, симпатизирующие Ральфу Нейдеру, могут отдать за него свои голоса, не опасаясь, что тем самым приведут к избранию человека, который нравится им меньше всего. Если уж на то пошло, сам Ральф Нейдер может спокойно принимать участие в выборах, не думая о том, что это приведет к избранию человека, который нравится ему меньше всего[296].

Преференциальная система голосования существует уже сто пятьдесят лет. Ею пользуются не только в Австралии, но и в Ирландии, и Папуа – Новой Гвинее. Когда Джон Стюарт Милль, всегда питавший слабость к математике, услышал об этой идее, он назвал ее «одним из величайших достижений в теории и практике государственной власти»{263}[297].

И все-таки…

Давайте посмотрим, что произошло во время выборов мэра в Берлингтоне (штат Вермонт), одном из муниципальных округов США, в котором действует преференциальная система голосования[298]. Приготовьтесь – вам предстоит проанализировать много чисел{264}.

В выборах принимали участие три основных кандидата: республиканец Курт Райт, демократ Энди Монтролл и действующий мэр Боб Кисс, представляющий Прогрессивную партию. (В выборах принимали участие и другие, второстепенные кандидаты, но в целях краткости я не буду учитывать голоса за них.) Вот как выглядят результаты голосования:

(Как видите, не все избиратели поддерживали эту передовую систему голосования: некоторые просто отметили того кандидата, которому отдавали наибольшее предпочтение.)

Республиканец Райт получает в сумме 3297 голосов за первое место в рейтинге; Кисс получает 2982 голоса, а Монтролл – 2554 голоса. Если вы когда-либо были в Берлингтоне, вам точно известно, что мэр города из числа республиканцев не соответствует воле народа. При традиционной американской системе голосования Райт победил бы в этих выборах благодаря разделению голосов избирателей между двумя более либеральными кандидатами.

На самом деле произошло нечто совсем другое. Демократ Монтролл набрал минимальное количество голосов за первое место в рейтинге, поэтому он был исключен из бюллетеней. В следующем раунде Кисс и Райт сохранили за собой те голоса за первое место, которые у них уже были, но в 1332 бюллетенях, в которых было сказано «Монтролл, Кисс, Райт», теперь остались «Кисс, Райт», и эти голоса были отданы в пользу Кисса. Аналогичным образом 767 голосов из бюллетеней с рейтингом «Монтролл, Райт, Кисс» перешли к Райту. Результат окончательного подсчета голосов был таким: Кисс – 4314, Райт – 4064, а это означало, что Кисс переизбран на пост мэра города.

Выглядит неплохо, не так ли? Но подождите минутку. Сложив числа по-другому, вы можете убедиться в том, что, с одной стороны, 4067 избирателей отдали предпочтение Монтроллу перед Киссом, тогда как только 3477 избирателей предпочли Кисса Монтроллу; с другой стороны, 4597 избирателей предпочли Монтролла Райту, но только 3668 избирателей отдали предпочтение Райту перед Монтроллом.

Иначе говоря, с одной стороны, большинство избирателей симпатизировали центристскому кандидату Монтроллу больше, чем Киссу; с другой стороны, большинство избирателей симпатизировали Монтроллу больше, чем Райту. Это веский аргумент в пользу того, что Монтролл мог стать полноправным победителем – и все же он вышел из игры уже в первом раунде голосования. Это и есть один из недостатков преференциальной системы голосования. Центристу, который нравится всем, но которого никто не поставил на первое место в рейтинге, одержать победу на таких выборах очень трудно.

Подведем итог.

Традиционная американская система голосования – побеждает Райт.

Преференциальная система – побеждает Кисс.

Прямое противостояние – побеждает Монтролл.

Вы запутались? Дальше будет еще хуже. Предположим, те 495 избирателей, которые написали «Райт, Кисс, Монтролл», решили вместо этого голосовать за Кисса, исключив остальных двух кандидатов из бюллетеня. Предположим также, что 300 избирателей, которые отметили в бюллетенях только Райта, также решают голосовать за Кисса. Теперь Райт потерял 795 голосов за первое место в рейтинге, то есть у него остается всего 2502 голоса; следовательно, именно он, а не Монтролл, выбывает из голосования в первом же раунде. Далее в выборах принимают участие только Монтролл и Кисс, и Монтролл побеждает с перевесом 4067 против 3777 голосов.

Видите, что произошло? Мы дали Киссу больше голосов – и вместо того чтобы выиграть, он проиграл!

Если в этот момент вы почувствуете головокружение, это вполне нормально.

Но попытайтесь найти опору в том, что у нас хотя бы появилось обоснованное ощущение, кто должен был бы победить на этих выборах. Это демократ Монтролл – человек, который в прямом противостоянии победил бы и Райта и Кисса. Может, нам стоило бы отказаться от всех этих подсчетов и исключения кандидатов по методу Борда и просто выбрать того кандидата, которому отдает предпочтение большинство.

Нет ли у вас ощущения, что я пытаюсь поймать вас в ловушку?

Постараемся немного упростить ситуацию, сложившуюся в Берлингтоне. Допустим, у нас есть только три типа избирательных бюллетеней.

Большинство избирателей (все, кто попадает в секторы круговой диаграммы, обозначенные как К и Р) предпочитают Райта Монтроллу. А другое большинство (избиратели из секторов М и К) отдают предпочтение Киссу перед Райтом. Если большинство людей симпатизируют Киссу больше, чем Райту, и большинство людей симпатизируют больше Райту, чем Монтроллу, разве это не значит, что Кисс снова должен победить? Есть только одна проблема: люди отдают предпочтение Монтроллу перед Киссом с большим перевесом – 2845 против 371 голосов. Мы имеем невероятный треугольник голосов: Кисс превосходит Райта, Райт превосходит Монтролла, Монтролл превосходит Кисса[299]. Каждый из кандидатов проиграл бы в борьбе один на один одному из оставшихся двух кандидатов. Так как вообще кто-нибудь из них может с полным на то правом занять должность мэра?

Досадная ситуация такого рода называется парадоксом Кондорсе, по имени французского философа эпохи Просвещения, который впервые описал этот парадокс в конце XVIII столетия. Мари Жан Антуан Николя де Карита, маркиз де Кондорсе, сторонник республиканских идей в преддверии Французской революции, выбранный в итоге президентом Национального конвента. Кондорсе был весьма необычным политиком – застенчивый и склонный к переутомлению, со спокойной и слегка торопливой манерой речи; неудивительно, что его предложения часто тонули в революционном шуме. Но его быстро выводили из себя люди, интеллектуальный уровень которых не соответствовал его собственному. За сочетание застенчивости и вспыльчивости наставник Кондорсе Жак Тюрго прозвал его le mouton enragé «обезумевший барашек»{265}.

Кондорсе со страстью окунулся в политическую деятельность, сохраняя при этом непоколебимую веру в здравый смысл, особенно в математику, как в организующее начало человеческой жизни. Приверженность здравому смыслу была свойственна всем мыслителям эпохи Просвещения, но убежденность Кондорсе, что социальный и нравственный мир можно проанализировать с помощью уравнений и формул, была чем-то принципиально новым. Он был первым социологом в современном понимании. (Сам Кондорсе использовал термин «социальная математика».) Кондорсе, рожденный в аристократической семье, быстро пришел к пониманию универсальных законов мышления, которые нужно ставить выше прихотей королей. Он разделял мнение Руссо, что «общая воля» народа должна верховенствовать над государством, но был не согласен, в отличие от того же Руссо, принимать это утверждение в качестве самоочевидного принципа. По мнению Кондорсе, правило большинства требует математического обоснования, и он нашел его в теории вероятностей.

Свою теорию Кондорсе изложил в трактате «Essai sur l’application de l’analyse à la probabilité des décisions rendues à la pluralité des voix» («Рассуждения о применении анализа к оценке выборов большинством голосов»), который был опубликован в 1785 году. Вот самая кратчайшая версия его метода. Предположим, жюри присяжных из семи человек предстоит принять решение о виновности подсудимого. Четверо членов жюри утверждают, что подсудимый виновен, а трое убеждены в его невиновности. Допустим, каждый из этих граждан придерживается правильной точки зрения с вероятностью 51 %. В таком случае можно предположить, что большинство – то есть четыре голоса против трех – с большей вероятностью примет правильное решение, чем неправильное.

Немного напоминает ситуацию с Мировой серией[300]. Если в финале играют команды «Филлис» и «Тайгерс»[301] и мы считаем, что «Филлис» – более сильная команда, чем «Тайгерс» (скажем, «Филлис» может выиграть каждый матч с вероятностью 51 %), тогда «Филлис» с большей вероятностью выиграет Мировую серию с перевесом 4:3, чем проиграет с таким же отрывом. Если бы победитель Мировой серии определялся по результатам пятнадцати матчей, а не семи, у команды из Филадельфии было бы еще более весомое преимущество.

Так называемая «теорема жюри» Кондорсе показывает, что достаточно большое жюри присяжных с большой долей вероятности придет к правильному выводу, если только членам жюри свойственна индивидуальная склонность к верным суждениям, какой бы незначительной она ни была[302]. Кондорсе утверждал: если большинство людей убеждены в чем-то, это можно считать веским доказательством в пользу того, что это правильно. Наше доверие к мнению достаточно многочисленного большинства имеет под собой математическое обоснование – даже если это противоречит нашим прежним убеждениям. «Мне должно действовать не в соответствии с тем, что я считаю разумным, – писал Кондорсе, – а в соответствии с тем, что каждый, кто, подобно мне, абстрагировался от собственного мнения, должен считать соответствующим здравому смыслу и истине»{266}. Роль жюри присяжных во многом похожа на роль зрителей в телеигре Who Wants to Be a Millionaire? («Кто хочет стать миллионером?»). По убеждению Кондорсе, когда у нас есть возможность выяснить точки зрения людей, пусть даже людей незнакомых и не имеющих соответствующей подготовки, мы должны ставить мнение большинства выше своего собственного.

Педантичный подход Кондорсе снискал благосклонность к нему государственных деятелей, не чуждых научным интересам, например Томаса Джефферсона (с которым Кондорсе разделял страстную увлеченность стандартизацией единиц измерения). Джон Адамс, напротив, относился к Кондорсе с презрением: на полях его книг он писал, что автор «мошенник» и «математический шарлатан»{267}. Адамс относился к Кондорсе как к безнадежному теоретику-экстремисту, чьи идеи никогда не найдут практического применения, кроме того, он считал, что француз-республиканец оказывает негативное влияние на Джефферсона, разделяющего его взгляды. Но на самом деле жирондистская конституция, которую писал Кондорсе для Республики, – конституция, основанная на математических принципах и сложных правилах проведения выборов, – так и не была принята во Франции и где бы то ни было. Кондорсе, придерживавшийся практики приведения идей в соответствие с вытекающими из них логическими выводами, едва ли не единственный среди своих современников настаивал, чтобы широко обсуждаемые права человека распространялись и на женщин.

В 1770 году двадцатисемилетний Кондорсе и его математический наставник Жан Лерон Д’Аламбер, один из редакторов «Encylopédie» («Энциклопедия, или Толковый словарь наук, искусств и ремесел»), нанесли продолжительный визит Вольтеру в его доме в Ферне на границе со Швейцарией{268}. Семидесятилетний, уже не очень здоровый Вольтер, будучи поклонником математики, быстро сделал Кондорсе своим любимцем, увидев в этом многообещающем молодом человеке свою лучшую надежду на то, что ему удастся передать рационалистические принципы эпохи Просвещения следующему поколению французских мыслителей. Возможно, особому благорасположению способствовало то, что Кондорсе написал для Королевской академию éloge (похвальное слово) в адрес старого друга Вольтера ла Кондамина, который когда-то сделал того богатым человеком благодаря своей схеме игры в лотерею. Между Вольтером и Кондорсе сразу началась активная переписка, благодаря чему Вольтер всегда был в курсе последних политических новостей из Парижа.

Некоторая напряженность между ними возникла в связи с другим похвальным словом, написанным Кондорсе в адрес Блеза Паскаля. Кондорсе справедливо превозносил Паскаля как великого ученого. Без развития теории вероятностей, начало которому положили Паскаль и Ферма, Кондорсе не мог бы проводить свои научные изыскания. Кондорсе, как и Вольтер, отвергал аргументацию, лежавшую в основе пари Паскаля, но по другой причине. Вольтер считал крайне несерьезной идею, чтобы обходиться с метафизическими вопросами как с игрой в кости. У Кондорсе накопились скорее математические возражения (как потом у Р. А. Фишера), он не был согласен с использованием языка вероятностей для обсуждения таких вопросов, как существование Бога, которые в буквальном смысле не подвержены воле случая{269}. Но, несмотря ни на что, убежденное стремление Паскаля рассматривать человеческое мышление и поведение сквозь призму математики оставалось притягательным для начинающего «социального математика».

Напротив, Вольтер думал, что работой Паскаля движет религиозный фанатизм, который он презирал, и считал предположение Паскаля, что математика может объяснить находящееся за пределами наблюдаемого мира, не только неправильным, но и опасным. Вольтер охарактеризовал «хвалебное слово» Кондорсе как «прекрасное, но пугающее…». В личной переписке он предостерегал: «Если он [Паскаль] был столь великим человеком, тогда все мы полные идиоты, раз не способны мыслить так же, как он. Кондорсе причинит нам большой вред, если опубликует эту книгу в таком виде, в каком ее мне прислали»{270}. Здесь можно увидеть и вполне закономерные интеллектуальные различия, и ревнивое недовольство по поводу заигрываний своего любимчика со старым философским противником. В словах Вольтера почти прочитывается мысль: «Так на чьей ты стороне, парень, на его или на моей?» Кондорсе удалось избежать этого выбора (хотя в более поздних изданиях он все-таки отдал должное Вольтеру и несколько приглушил похвальный тон в адрес Паскаля). Он пошел на компромисс, объединив приверженность Паскаля широкому применению математических законов с радостной верой Вольтера в здравый смысл, секуляризм и прогресс.

В вопросах голосования Кондорсе был истинным математиком. Обыватель, взглянув на результаты выборов 2000 года во Флориде, мог бы воскликнуть: «Вот судьба! В итоге кандидат левого крыла повернул выборы в пользу республиканца», а изучив результаты выборов в Берлингтоне 2009 года, удивиться еще больше: «Вот странно! Центристский кандидат нравился практически всем и вылетел в первом же раунде». Математик воспринимает происходящее не как «странности поведения», а как интеллектуальную задачу. Можно ли точно определить, что именно делает эту ситуацию странной? Можно ли формально описать систему голосования, которая не была бы странной?

Кондорсе был уверен, что можно. Он сформулировал аксиому, или, иначе говоря, утверждение, которое считал абсолютно самоочевидным и не требующим доказательств. Вот аксиома Кондорсе:

Если большинство избирателей отдают предпочтение кандидату А перед кандидатом Б, тогда кандидат Б не может быть выбором народа.

Кондорсе с восхищением отзывался о работе Борда, но считал метод Борда неудовлетворительным по той же причине, по которой классический экономист считает иррациональным поведение слизевого гриба. В системе Борда, как и в случае голосования большинством голосов, включение третьей альтернативы может склонить чашу весов в пользу кандидата Б, а не кандидата А. Это нарушает аксиому Кондорсе: если кандидат А выиграл бы борьбу против кандидата Б на выборах с участием двух кандидатов, тогда Б не может победить в выборах с тремя кандидатами, одним из которых является кандидат А.

На основе своей аксиомы Кондорсе намеревался построить математическую теорию голосования подобно тому, как Евклид создал целую теорию геометрии на основе пяти аксиом о поведении точек, прямых и окружностей:

• существует прямая, соединяющая любые две точки;

• любой отрезок прямой можно расширить до отрезка прямой любой требуемой длины;

• для любого отрезка прямой L есть окружность с радиусом L;

• все прямые углы равны между собой;

• если P – это точка, а L – прямая, которая не проходит через Р, существует только одна прямая, проходящая через точку Р и параллельная прямой L.

Вообразите, что могло бы произойти, если кто-то сконструировал бы сложное геометрическое доказательство, показывающее, что аксиомы Евклида неизбежно приводят к противоречию. Подобное кажется совершенно невозможным, не так ли? Но имейте в виду, что в геометрии заложено множество тайн. Стефан Банах и Альфред Тарский в 1924 году показали, как можно разделить сферу на шесть частей, смешать их, а затем собрать из них две сферы того же размера. Разве такое возможно? Некоторые естественные системы аксиом по поводу трехмерных тел, их объема и движения, которые мы считаем истинными в силу своего опыта, не всегда бывают верными, какими бы интуитивно правильными они ни казались. Безусловно, фрагменты сфер Банаха – Тарского – невероятно сложные фигуры, а не объекты, которые можно представить в примитивном физическом мире. Поэтому, если вы задумали купить платиновый шар, разбить его на фрагменты Банаха – Тарского, сложить из этих фрагментов новые шары и повторять этот процесс до бесконечности, пока не будет получен вагон драгоценного металла, то вам вряд ли удастся это сделать.

Будь в аксиомах Евклида хоть какое-то противоречие, геометры пришли бы в ужас, и не без оснований, поскольку это означало бы, что одна или более аксиом, на которые они опирались, оказалась неправильной. Можно сказать и жестче: если в евклидовых аксиомах есть противоречие, то все точки, прямые и окружности, как Евклид понимал их, просто не существуют.

* * *

Именно с такой неприятной ситуацией столкнулся Кондорсе, когда открыл свой парадокс. Как показано на представленной выше круговой диаграмме, аксиома Кондорсе гласит, что Монтролл не может быть избран, поскольку он проигрывает в противостоянии один на один с Райтом. То же самое можно сказать о Райте, который проигрывает Киссу, и о Киссе, проигрывающем Монтроллу. Нет такой вещи, как выбор народа. Его просто не существует.

Парадокс Кондорсе стал серьезным вызовом для его мировоззрения, основанного на логике. Если есть объективно правильный рейтинг кандидатов, ситуация вряд ли может сложиться так, чтобы Кисс был лучше Райта, который лучше Монтролла, который лучше Кисса. Кондорсе вынужден был допустить, что при наличии таких примеров его аксиому придется ослабить: иногда большинство может оказаться неправым. Однако остается еще одна проблема: как рассеять туман сомнений и избавиться от противоречий, чтобы предугадать истинную волю народа – а в ее существовании Кондорсе никогда не сомневался.

Кондорсе считал, что на вопросы типа «Кто самый лучший лидер?» обязательно найдется какой-то правильный ответ, а граждане – что-то вроде прибора для научных исследований таких вопросов. Конечно, полной уверенности нет, поскольку подобный метод грешит некоторой неточностью измерений, но в среднем подлинности оценок граждан доверять можно. В понимании Кондорсе, демократия и принцип большинства – способ не ошибаться, благодаря математике.

В наше время мы уже так не говорим о демократии. Сегодня для большинства людей привлекательность демократического выбора состоит в его справедливости. Мы говорим на языке прав человека и, руководствуясь соображениями морали, верим в то, что люди должны иметь возможность выбирать своих правителей, даже если их выбор не всегда бывает мудрым.

Это не просто дискуссия о политике – здесь вопрос фундаментальный, применимый к любой области психической деятельности. Мы пытаемся понять, что соответствует истине, или определить, какие умозаключения позволяют нам устанавливать существующие правила и процедуры. К счастью, эти понятия обычно приходят к соглашению, однако настоящие трудности, а вместе с ними и все самое концептуально интересное происходят там, где они расходятся.

Возможно, вы считаете очевидным, что именно поиск истины и есть то, чем мы должны заниматься. Однако так бывает не всегда и особенно в уголовном праве, где расхождения налицо: есть совершившие преступление обвиняемые, но им нельзя вынести приговор (хотя бы потому, что доказательства получены с нарушениями); есть невиновные, осужденные за преступление, которого они не совершали. Что можно считать справедливым в этом случае – наказать виновного и освободить невиновного или придерживаться принципов уголовного судопроизводства, к чему бы это ни привело? В экспериментальной науке мы уже видели дискуссию между Рональдом Фишером с одной стороны и Ежи Нейманом и Эгоном Пирсоном – с другой. Нужно ли нам, как считал Фишер, пытаться понять, какие гипотезы мы должны считать истинными? Или нужно придерживаться философии Неймана и Пирсона, согласно которой следует воздерживаться от размышлений об истинности гипотез и вместо этого ставить вопрос следующим образом: какие гипотезы необходимо признать корректными согласно выбранным нами правилам вывода, независимо от того, истинны они или нет?

Мы сталкиваемся с такими проблемами и в математике, которая считается обителью определенности, причем сталкиваемся не в дебрях каких-то загадочных современных исследований, а в старой доброй классической геометрии. Эта тема присутствует даже в аксиомах Евклида, о которых шла речь в предыдущей главе. Пятая аксиома гласит:

Забавно, не правда ли? На самом деле эта аксиома несколько более сложная и менее очевидная, чем остальные. Во всяком случае, так ее воспринимали геометры на протяжении многих столетий[303]. Считается, что сам Евклид испытывал неприязнь к этой аксиоме, доказав первых двадцать восемь теорем, представленных в «Началах», с использованием только первых четырех аксиом.

Неизящная аксиома – как пятно в углу на полу: мешать не мешает, но с ума сводит, и вы тратите уйму времени, чтобы истребить его, вымыть пол, сделав его снова чистым и красивым. В математическом контексте это сводилось к попыткам показать, что пятая аксиома, так называемый постулат о параллельности, вытекает из всех остальных аксиом. Если это было бы так, проблему пятой аксиомы можно было бы удалить из списка Евклида, оставив его безупречно чистым.

После двух тысяч лет чистки пятно все еще оставалось на своем месте.

Венгерский математик Фаркаш Бойяи, который всю жизнь безуспешно пытался решить эту задачу, в 1820 году посоветовал сыну Яношу не следовать по этому пути:

Ты не должен пытаться одолеть теорию параллельных линий на этом пути; я знаю этот путь, я проделал его до конца, я пережил эту беспросветную ночь, и всякий светоч, всякую радость моей жизни я в ней похоронил. Мало того, оставь в покое учение о параллельных линиях… Я был готов сделаться мучеником этой истины, чтобы только очистить геометрию от этого пятна, чтобы передать роду человеческому безукоризненную науку. Я проделал ужасную гигантскую работу; я достиг много лучшего, нежели то, что было получено до меня; но совершенного удовлетворения не получил… Я отказался от этого, когда понял, что ни один человек не способен достичь дна этой тьмы. Я оставил эти попытки без всякого утешения, жалея себя и все человечество. Извлеки урок из моего примера{271}.

Сыновья не всегда прислушиваются к советам отцов, а математики не всегда легко бросают то, чем занимаются. Младший Бойяи продолжил работать над параллельными прямыми, и в 1823 году у него было готово в общем виде решение этой древней задачи. Он написал отцу ответное письмо, в котором было сказано следующее:

Я открыл нечто столь удивительное, что был потрясен, и было бы величайшим несчастьем, если это было бы утеряно. Когда ты, мой дорогой отец, увидишь это, ты все поймешь; сейчас же я могу сказать только одно: я создал странный новый мир из ничего.

Гениальная идея Яноша Бойяи состояла в том, чтобы взглянуть на эту задачу под другим углом. Вместо того чтобы пытаться вывести постулат о параллельности из других аксиом, он позволил своему разуму поставить вопрос так: что если аксиома о параллельных прямых ошибочна? Следует ли из этого противоречие? Янош Бойяи пришел к выводу, что ответ на этот вопрос отрицательный и что существует другая геометрия (не геометрия Евклида, а нечто иное), в которой первые четыре аксиомы верны, а постулат о параллельности – нет. Следовательно, постулат о параллельности не может быть доказан на основании первых четырех аксиом, поскольку такое доказательство исключило бы возможность геометрии Бойяи. Но эта геометрия существует.

Иногда то или иное математические открытие «витает в воздухе»: по едва понятным причинам сообщество ученых готово к очередному достижению, поэтому оно приходит из нескольких источников одновременно. В то время, когда Бойяи в Австро-Венгрии разрабатывал свою неевклидову геометрию, Николай Лобачевский[304] делал то же самое в России. А великий Карл Фридрих Гаусс, старый друг старшего Бойяи, сформулировал много аналогичных идей в работе, которая до сих пор не опубликована. (Когда Гауссу сообщили о публикации Бойяи, он отреагировал несколько неучтиво: «Хвалить это было бы равносильно тому, чтобы хвалить себя»{272}.)

Для описания так называемой гиперболической геометрии Бойяи, Лобачевского и Гаусса понадобится намного больше книжного пространства, чем у нас осталось. Однако, как отметил Бернхард Риман несколько десятилетий спустя, существует более простая неевклидова геометрия, которую нельзя назвать безумным новым миром. Речь идет о геометрии сферы.

Давайте вспомним первые четыре аксиомы:

• существует прямая, соединяющая любые две Точки;

• любой отрезок Прямой можно расширить до отрезка Прямой любой требуемой длины;

• для любого отрезка Прямой L есть Окружность с радиусом L;

• все Прямые Углы равны между собой.

Наверное, вы обратили внимание на то, что я внес в описание этих аксиом некоторые изменения, написав термины точка, прямая, окружность и прямой угол с прописной буквы. Я сделал это не ради имитации старинного издания, а чтобы подчеркнуть, что с сугубо логической точки зрения не имеет значения, как обозначены «точки» и «прямые». Мы вольны назвать их лягушками и кумкватами, но структура логического вывода из этих аксиом осталась бы прежней. Это напоминает плоскость Джино Фано из семи точек, на которой «прямые» выглядят совсем не так, как нас учили в школе, однако это не имеет значения: весь смысл в том, что эти прямые ведут себя как прямые согласно законам геометрии. В каком-то смысле было бы даже лучше называть точки лягушками, а прямые кумкватами, поскольку это позволило бы нам избавиться от предвзятого мнения по поводу значений слов Точка и точка, Прямая и прямая.

Вот что означают эти термины в сферической геометрии Римана. Точка – это пара точек на сфере, которые являются антиподальными, или диаметрально противоположными друг другу. Прямая – это большая окружность – другими словами, окружность на поверхности сферы, а отрезок прямой – это отрезок такой окружности. Окружность – это и есть окружность, которая теперь может иметь любой размер.

При таких определениях первые четыре аксиомы Евклида верны! Для любых двух точек (то есть любых двух пар антиподальных точек на сфере) существует прямая (другими словами, большая окружность), которая их соединяет[305]. Более того (хотя это и не одна из аксиом), любые две прямые пересекаются в одной точке.

У вас могут быть претензии ко второй аксиоме: как мы можем утверждать, что отрезок прямой можно продолжить до любой длины, если он не может быть длиннее самой прямой, которая является окружностью сферы? Это вполне обоснованное возражение, но все сводится к вопросу интерпретации. В понимании Римана в аксиоме идет речь о неограниченных, а не о бесконечно протяженных прямых. Между этими двумя понятиями есть едва уловимое различие: прямые Римана, которые являются окружностями, имеют конечную длину, но они не ограничены, то есть по ним можно передвигаться бесконечно, не останавливаясь.

И наконец пятая аксиома – совсем другая история. Предположим, у нас есть точка Р и прямая L, не содержащая точку P. Есть ли одна и только одна прямая, проходящая через точку Р, параллельная L? Нет, по очень простой причине: в сферической геометрии нет такой штуки, как параллельные прямые! Любые две большие окружности на сфере должны пересекаться.

Доказательство на один абзац. Любая большая окружность С делит сферу на две равные части, каждая из которых имеет одну и ту же площадь; обозначим эту площадь символом А. Теперь допустим, что существует еще одна большая окружность C', параллельная окружности С. Поскольку окружность C' не пересекается с окружностью С, она должна быть полностью расположена с одной или другой стороны С, на одной из полусфер с площадью А. Но это означает, что площадь, ограниченная окружностью C', меньше площади А, что невозможно, поскольку каждая большая окружность ограничивает область, площадь которой равна в точности А.

Следовательно, постулат о параллельности опровергается самым эффектным образом. (В геометрии Бойяи ситуация прямо противоположная. Существует слишком много параллельных прямых: в действительности не просто две, а бесконечное множество прямых проходят через Р параллельно L[306]. Как вы догадываетесь, такую геометрию трудно визуализировать.)

Если вам кажется знакомым столь странное утверждение, что две прямые не могут быть параллельными, то причина в том, что мы уже сталкивались с чем-то подобным. Это тот же феномен, что и в случае проективной плоскости, которую Брунеллески и его друзья-художники использовали для разработки теории перспективы[307]. Там также любые две прямые пересекались. И это не случайное совпадение: геометрия точек и прямых Римана – это то же самое, что и геометрия проективной плоскости.

Если интерпретировать пять аксиом в виде утверждений по поводу точек и прямых на сфере, первые четыре аксиомы верны, а пятая нет. Если бы пятая аксиома была логическим следствием первых четырех аксиом, существование сферы представляло бы противоречие: пятая аксиома была бы и истинной (в силу истинности первых четырех аксиом), и нет (в силу того, что мы знаем о сферах). Согласно старому доброму доказательству от противного это означает, что сфер не существует. Но сферы все же существуют, а значит, пятую аксиому невозможно вывести из первых четырех аксиом. Что и требовалось доказать.

На первый взгляд может показаться, что для выведения этого пятна с пола понадобилось слишком много времени и труда. Однако мотивация для доказательства утверждений такого рода заключена не просто в одержимости эстетикой (хотя я не могу отрицать тот факт, что такие чувства играют определенную роль). Дело вот в чем: как только становится понятным, что первые четыре аксиомы применимы ко многим разным геометриям, тогда любая теорема, доказанная Евклидом на основании этих аксиом, должна быть истинной не только в евклидовой геометрии, но и во всех остальных геометриях, в которых верны эти аксиомы.

И эти теоремы касаются не просто абстрактных геометрий, созданных только ради того, чтобы доказать какую-то мысль. В постэйнштейновскую эпоху мы понимаем, что неевклидова геометрия – не просто игра. Нравится вам это или нет, но именно так в действительности выглядит пространственно-временной континуум.

Такая история повторяется в области математики снова и снова: мы разрабатываем метод, применимый к решению одной задачи, и, если это хороший метод (то есть метод, содержащий поистине новую идею), в большинстве случаев мы обнаруживаем, что то же самое доказательство работает во многих ситуациях, которые могут отличаться от исходной ситуации в такой же мере, в какой сфера отличается от плоскости, или даже больше. В настоящее время молодой итальянский математик Оливия Карамелло создает настоящую сенсацию своими заявлениями, что теории, которые управляют различными областями математики, по сути своей тесно взаимосвязаны друг с другом (если вы отдаете предпочтение формальным терминам, они «классифицированы в соответствии с одними и теми же топосами Гротендика»). Следовательно, теоремы, которые доказаны в одной области математики, можно спокойно перенести в другую область, которая кажется на первый взгляд совершенно иной. Сейчас слишком рано говорить, удалось ли Карамелло создать «странный новый мир», как это сделал Бойяи, но ее работа в значительной степени согласуется с давней традицией в математике, частью которой был Бойяи.

Эта традиция обозначается термином «формализм». Именно об этом говорил Годфри Гарольд Харди, когда с восхищением отметил, что математики XIX столетия начали наконец спрашивать «как определить 1 − 1 + 1 − 1 +…», а не «что есть 1 − 1 + 1 − 1 +…». Это позволяло им избежать «ненужных затруднений», преследовавших математиков более ранних времен. Согласно самой чистой версии этой точки зрения, математика становится своего рода игрой с участием символов и слов. Утверждение можно считать теоремой, если его выводят из аксиом посредством логических операций. Но что к чему отсылают аксиомы и теоремы, что они означают – этим пусть занимается кто-то другой. Что такое Точка, Прямая, лягушка или кумкват? Это может быть все, что ведет себя так, как того требуют аксиомы, а смысл можно выбирать, исходя из текущих потребностей. Сугубо формальная геометрия – это геометрия, которой можно заниматься, даже если вы никогда не видели или не представляли себе точку или прямую; это геометрия, в которой не имеет значения, как на самом деле выглядят точки и прямые в обычном их понимании.

Безусловно, Харди посчитал бы душевные страдания Кондорсе совершенно лишними. Он посоветовал бы ему пытаться выяснить не то, кто в действительности самый лучший кандидат или даже кого избиратели на самом деле хотели бы видеть на соответствующей должности, а скорее, какого кандидата мы должны определить как выбор народа. И такой формалистский подход к демократии получил достаточно большое распространение в современном свободном мире. Во время президентских выборов в штате Флорида в 2000 году, результаты которых были оспорены в суде, тысячи избирателей округа Палм-Бич, которые были убеждены в том, что голосуют за Альберта Гора, на самом деле отдали свои голоса за кандидата от палеоконсервативной Партии реформ Патрика Бьюкенена из-за некорректного оформления «бюллетеня-бабочки». Если Гор получил бы эти голоса, он победил бы на выборах в штате Флорида и стал бы президентом США.

Однако Гор не получил эти голоса; на самом деле он даже не боролся за них всерьез. Наша избирательная система носит формалистский характер: значение имеет отметка, сделанная на бюллетене, а не то, о чем думает избиратель, когда делает эту отметку. У Кондорсе вызвали бы обеспокоенность и те люди, которые проголосовали за Ральфа Нейдера. При условии (которое кажется вполне допустимым), что большинство этих людей отдавали предпочтение Гору перед Бушем, именно Гор является тем кандидатом, который должен был выиграть выборы согласно аксиоме Кондорсе: большинство избирателей предпочитали Гора Бушу, а еще более значительное большинство отдавали ему предпочтение перед Нейдером. Однако все эти предпочтения не играют никакой роли в действующей избирательной системе. Мы определяем волю народа как отметку, которая чаще всего появляется на листах бумаги, собранных в кабинках для голосования.

Безусловно, даже это количество можно оспорить. Как подсчитывать бюллетени, в которых перфорируемое отверстие пробито не полностью? Что делать с результатами голосования, переданными по почте с зарубежных военных баз, если нет возможности удостовериться, что эти голоса были отданы избирателями в день выборов или накануне? И в какой степени в округах штата Флорида следовало провести пересчет избирательных бюллетеней в попытке как можно более точно определить результаты голосования?

Последний вопрос был передан на рассмотрение Верховного суда США, где судьи приняли окончательное решение по данному делу. Команда Гора обратилась с просьбой о повторном подсчете голосов в некоторых округах, и Верховный суд штата Флорида дал свое согласие, однако Верховный суд США отменил это решение, зафиксировав результаты выборов, согласно которым Буш одержал победу с перевесом 537 голосов{273}. Дальнейший подсчет, по всей видимости, привел бы к более точному учету голосов, но это, по мнению суда, не является высшей целью выборов. Члены суда заявили, что пересчитывать голоса в некоторых округах было бы несправедливо по отношению к тем избирателям, голоса которых повторно не подсчитывались. Задача государства не в том, чтобы подсчитать голоса как можно точнее (то есть знать, что произошло на самом деле), а в том, чтобы подчиняться формальному протоколу, который говорит нам (в терминах Харди), кого следует определить в качестве победителя.

В более общем смысле формализм в области права проявляется в виде строгого следования процедуре и букве закона даже в тех случаях, когда (или особенно когда) они на первый взгляд противоречат тому, что предписывает здравый смысл. Судья Антонин Скалиа, самый ярый сторонник правового формализма, говорит об этом очень откровенно: «Да здравствует формализм. Именно он делает государственную власть властью законов, а не властью людей»{274}.

По мнению Скалиа, когда судьи пытаются понять, что подразумевает закон (его дух), их неизбежно вводят в заблуждение собственные предубеждения и предпочтения. Лучше строго придерживаться буквы конституции и законов, обращаясь с ними как с аксиомами, из которых судебные решения можно выводить посредством чего-то вроде логической дедукции.

В области уголовного права Скалиа демонстрирует такую же приверженность формализму: истина по определению представляет собой то, что считает таковым судебный процесс, проведенный надлежащим образом. Скалиа на удивление четко описывает эту позицию в своем особом мнении по делу Троя Энтони Дэвиса за 2009 год, в котором он утверждал, что убийце, которого признали виновным, не следует предоставлять право на новое судебное слушание доказательств даже в случае, если семь из девяти свидетелей по этому делу отказались от своих показаний:

Этот суд никогда не исходил из того, что конституция запрещает исполнение приговора в отношении подсудимого, который был признан виновным в результате полного и справедливого судебного разбирательства, но которому впоследствии удалось убедить суд, рассматривающий законность ареста, в том, что он «действительно» невиновен (слово никогда выделено курсивом, а слово действительно взято в кавычки самим Скалиа. – Д. Э.).

Скалиа утверждает, что, с точки зрения суда, значение имеет только вердикт жюри присяжных. Дэвис был убийцей независимо от того, убил он кого-то или нет.

Судья Джон Робертс не такой ярый сторонник формализма, как Скалиа, но в целом он симпатизирует философии коллеги. Во время слушания по вопросу об утверждении обвинений он в 2005 году, как стало известно, описал свою работу в бейсбольных терминах:

Судьи – это слуги закона, а не наоборот. Судьи подобны арбитрам. Арбитры не устанавливают правила, а применяют их. Роль арбитра и судьи крайне важна. Они следят за тем, чтобы все играли по правилам. Но эта роль ограничена. Никто никогда не ходил на бейсбольный матч, чтобы посмотреть на арбитра.

Робертс, сознательно или нет, повторил слова Билла Клема, арбитра Национальной лиги бейсбола, сказавшего: «Матч с лучшим судейством – такой матч, после которого болельщики не могут вспомнить работавших на нем арбитров»{275}.

Однако роль арбитра не настолько ограничена, как ее подавали Робертс и Клем, поскольку бейсбол – это формалистский вид спорта[308]. Чтобы понять это, достаточно проанализировать первый матч чемпионата Американской лиги бейсбола между командами «Балтимор Ориолс» и «Нью-Йорк Янкиз»[309], который проходил в Бронксе. Команда Балтимора выигрывала во второй половине восьмого иннинга, когда шорт-стоп «Янкиз» Дерек Джитер запустил длинный флайбол на правую сторону поля неподалеку от реливера «Ориолс» Армандо Бенитеса. Это был хороший хит, но доступный для центр-филдера Тони Тараско, который уже занял позицию и был готов принять мяч. В этом момент двенадцатилетний болельщик «Янкиз» Джеффри Майер, который сидел на трибуне в первом ряду, протянул руку через забор и толкнул мяч на трибуну.

Джитер знал, что это не хоумран[310]. Тараско и Бенитес знали, что это не хоумран. Пятьдесят шесть тысяч болельщиков «Янкиз» тоже знали, что это не хоумран. Единственным человеком на стадионе «Янки», который не видел, как Майер протянул руку через забор, оказался самый важный человек, арбитр Рич Гарсия. Гарсия назвал эту ситуацию хоумраном. Джитер даже не попытался исправить решение арбитра и уж тем более пробежаться по базам и сравнять счет. Никто от него этого и не ожидал по той простой причине, что бейсбол – это формалистский вид спорта. Ситуация такова, какой ее объявляет арбитр, не более того. Или, как это сформулировал Клем в самом откровенном утверждении онтологических взглядов, когда-либо предпринятом должностным лицом из области профессионального спорта: «Это ничто, пока я это не назову».

Ситуация постепенно меняется. Начиная с 2008 года арбитрам разрешено просматривать видеоповторы в тех случаях, когда они не уверены в том, что происходило на поле на самом деле. Это хорошо, поскольку позволяет принимать правильные решения вместо неправильных, но многие давние любители бейсбола считают, что новшество чуждо духу этого вида спорта. Я отношусь к их числу. Бьюсь об заклад, Джон Робертс также.

Не все разделяют взгляды Скалиа на закон (кстати, заметьте, что его мнение по делу Дэвиса оказалось в меньшинстве). Как мы видели в деле «Аткинс против штата Виргиния», имеющиеся в конституции формулировки, такие как «жестокое и необычное наказание», оставляют довольно места для интерпретации. Если даже великий Евклид оставил некоторую неопределенность в своих аксиомах, как мы можем ждать чего-то другого от создателей конституции? Реалисты из области права, такие как судья и профессор Чикагского университета Ричард Познер, утверждают, что правовая практика Верховного суда – это ни в коем случае не упражнение в формальном следовании правилам, как заявляет Скалиа:

Большинство случаев, на рассмотрение которых Верховный суд дает свое согласие, – это лотерея в том смысле, что они не могут быть решены посредством традиционного правового обоснования с его упором на формулировки конституции и законодательных актов, а также на ранее принятые решения. Если эти дела можно было бы решить посредством таких, по сути, семантических методов, они вне всяких сомнений решались бы на уровне Верховного суда штата или федерального апелляционного суда и никогда не передавались бы на повторное рассмотрение в Верховный суд{276}.

Согласно этой точке зрения, трудные правовые вопросы, то есть те дела, которые передаются в Верховный суд, – это вопросы, которые не определены аксиомами. Следовательно, судьи находятся в том же положении, в котором был Паскаль, когда обнаружил, что не может обосновать свой способ получения любого вывода о существовании Бога. Тем не менее единственное, что нам остается, по замечанию Паскаля, – играть в эту игру. Суд должен решить, делать ли ему это в соответствии с традиционным способом построения юридических рассуждений или нет. Иногда суд идет по пути Паскаля: если такие рассуждения не позволяют вынести вердикт, следует принять решение, которое повлечет за собой самые лучшие последствия. По мнению Познера, именно по этому пути пошли члены Верховного суда, в числе которых был и Скалиа, в процессе рассмотрения дела «Буш против Гора». Познер утверждает, что принятое Верховным судом решение на самом деле не было обосновано ни конституцией, ни судебным прецедентом. Это было решение, принятое из прагматических соображений: избежать угрозы многомесячного избирательного хаоса.

Формализму свойственна строгая элегантность, представляющая интерес для таких людей, как Годфри Гарольд Харди, Антонин Скалиа и я сам, которые получают истинное удовольствие от красивой строгой теории, не допускающей никаких противоречий. Однако нелегко неизменно придерживаться принципов такого рода, да и не совсем понятно, целесообразно ли это. Даже судья Скалиа время от времени признавал, что, когда буква закона требует принятия абсурдных решений, от буквальных формулировок необходимо отказаться в пользу правдоподобного предположения по поводу того, что имел в виду Конгресс{277}. Аналогичным образом ни один ученый не хочет быть строго ограниченным правилами статистической значимости, о каких бы принципах ни шла речь. Когда вы проводите два эксперимента, один из которых тестирует курс лечения, кажущийся теоретически многообещающим, а другой проверяет, демонстрирует ли дохлый лосось эмоциональную реакцию на показанные ему фотографии, и оба эксперимента дают успешный результат с р-значением 0,03, на самом деле вам не следует одинаково обращаться с этими двумя гипотезами. Вы должны оценивать абсурдные выводы с повышенным скептицизмом, и к черту правила.

Величайшим сторонником формализма в математике был немецкий математик Давид Гильберт; его список двадцати трех проблем, представленный в Париже, на Международном конгрессе математиков в 1900 году, определил направление развития математики на большую часть ХХ столетия. Гильберт – математик, вызывающий такое глубокое почтение, что любая работа, имеющая хотя бы косвенное отношение к его проблемам, приобретает особый блеск даже сто лет спустя. Однажды я познакомился с историком немецкой культуры из Колумбуса (штат Огайо), который рассказал мне, что именно склонность Гильберта носить сандалии с носками объясняет тот факт, что этот стиль до сих пор достаточно популярен среди математиков. Я не нашел никаких свидетельств, что это действительно так, но мне нравится так считать, поскольку это позволяет составить правильное представление о масштабе его влияния.

Значительное количество проблем Гильберта было вскоре решено; другие проблемы, например под номером восемнадцать – о максимально плотной упаковке сфер, – были решены только недавно. Некоторые проблемы до сих пор остаются нерешенными, и многие математики активно пытаются найти их решение. В частности, за решение проблемы под номером восемь (доказательство гипотезы Римана) Фонд Клэя выплатит вознаграждение в размере одного миллион долларов. Минимум в одном случае великий Гильберт ошибся. В проблеме под номером десять он предложил найти алгоритм, позволявший взять любое уравнение и определить, есть ли у него решение, при котором все переменные принимают целочисленные значения, но в 1960–1970-е годы математики Мартин Дэвис, Юрий Матиясевич, Хилари Патнэм и Джулия Робинсон опубликовали ряд работ, в которых было доказано, что такого алгоритма не существует. (Специалисты по теории чисел вздохнули с облегчением: было бы немного досадно, если оказалось бы, что некий формальный алгоритм способен автоматически решать задачи, на которые мы тратим столько лет.)

От всех остальных проблем Гильберта отличалась проблема под номером два. В ней был сформулирован не столько математический вопрос, сколько вопрос об отношении к самой математике. Свое описание этой задачи Гильберт начал с безоговорочной поддержки формалистского подхода к математике:

К тому времени, когда Гильберт выступал в Париже с докладом, он уже пересмотрел аксиомы Евклида и переписал их так, чтобы исключить любые следы неопределенности; при этом он неукоснительно придерживался принципа полного вытеснения геометрической интуиции. Его версия этих аксиом действительно сохраняет свой смысл даже в случае, если заменить точки и прямые лягушками и кумкватами. Сам Гильберт говорил об этом так: «Следует добиться того, чтобы с равным успехом можно было говорить вместо точек, прямых и плоскостей о столах, стульях и пивных кружках»[311]{279}. Одним из первых приверженцев новой геометрии был молодой Абрахам Вальд, который еще во время учебы в Вене показал, что некоторые аксиомы Гильберта можно вывести из других, а значит, без них можно обойтись[312].

Гильберт не хотел ограничиваться геометрией. Он мечтал создать сугубо формальную математику, в которой заявление, что утверждение истинно, было бы равноценно заявлению, что это утверждение подчиняется изначально установленным правилам – ни больше, ни меньше. Такая математика понравилась бы Антонину Скалиа. Аксиомы, которые Гильберт планировал использовать в арифметике и которые впервые сформулировал итальянский математик Джузеппе Пеано, на первый взгляд не кажутся тем, в отношении чего могут возникать интересные вопросы или разногласия. Эти аксиомы содержат утверждения такого рода: «Ноль – это число», «Если x равно y, а y равно z, тогда х равно z» и «Если число, непосредственно следующее за числом x, тождественно числу, непосредственно следующему за числом y, тогда числа x и y тождественны». Все эти истины мы считаем самоочевидными.

Аксиомы Пеано интересны тем, что на основании этих малейших отправных точек можно создать серьезные математические построения. На первый взгляд сами аксиомы касаются только целых чисел, но даже Пеано показал, что, начав с аксиом и двигаясь дальше посредством определения и логической дедукции, можно определить рациональные числа и их основные свойства[313]. После того как в XIX столетии было обнаружено, что общепринятые определения в математическом анализе и геометрии логически неполноценны, мир математики охватил кризис и смятение. Гильберт воспринимал формализм как способ начать все с чистого листа, опираясь при этом на фундаментальную, абсолютно непреложную основу.

Однако программу Гильберта преследовал призрак – призрак противоречия. Представьте себе такой кошмарный сценарий. Члены математического сообщества, работая в тесном сотрудничестве друг с другом, перестраивают весь аппарат теории чисел, геометрии и исчисления, начиная с фундаментальных аксиом, и кирпичик за кирпичиком выстраивают новые теоремы, прикрепляя каждый новый уровень к предыдущему с помощью правил дедукции. А затем однажды математик из Амстердама приводит доказательство того, что определенное математическое утверждение истинно, тогда как другой математик из Киото приводит доказательство того, что это не так.

Что теперь? Начав с утверждений, которые невозможно поставить под сомнение, мы пришли к противоречию. Следует ли из этого вывод, что аксиомы ошибочны? Или что ошибка содержится в структуре самого логического вывода? А что делать с десятилетиями работы, основанной на этих аксиомах[314]?

Таким образом, вторая проблема в списке проблем, которые Гильберт представил перед собравшимися в Париже математиками, была сформулирована так:

У кого-то возникнет искушение заявить, что подобное просто не может произойти. Разве это возможно? Ведь очевидно, что аксиомы истинны. Однако для древних греков было не менее очевидным, что геометрическая величина должна представлять собой соотношение двух целых чисел: такими были их представления о математике до тех пор, пока теорема Пифагора и упорно иррациональный квадратный корень из двух не разрушили эту систему понятий. Математике свойственна скверная привычка демонстрировать, что время от времени то, что кажется очевидно истинным, оказывается абсолютно ошибочным. Возьмем в качестве примера хотя бы Готлоба Фреге – немецкого логика, который, подобно Гильберту, не покладая рук трудился над укреплением логических основ математики. В центре внимания Фреге была не теория чисел, а теория множеств. Он также начал с последовательности аксиом, которые казались настолько очевидными, что их вряд ли нужно было формулировать. В теории множеств Фреге множество представляло собой не что иное, как совокупность объектов, называемых элементами. Для обозначения множеств, в которые входят определенные элементы, обычно используются фигурные скобки {}. Так, {1, 2, поросенок} – это множество, элементами которого являются число 1, число 2 и поросенок.

Когда некоторые элементы множества обладают определенным свойством, а другие нет, такое множество представляет собой совокупность элементов с указанным свойством. Давайте сформулируем это немного проще: существует множество поросят, и среди них есть желтые поросята, которые образуют множество желтых поросят. Здесь трудно с чем-то не согласиться. Однако эти определения носят весьма обобщенный характер. В качестве множества может выступать совокупность поросят, действительных чисел, идей, возможных вселенных или других множеств. И именно последний случай создает множество проблем. Существует ли множество множеств? Безусловно. А множество всех бесконечных множеств? Почему бы нет? На самом деле оба эти множества обладают любопытным свойством: они являются элементами самих себя. В частности, множество бесконечных множеств – это, разумеется, само по себе бесконечное множество, элементы которого содержат множества такого типа:

Я много говорил о роли Гильберта, и это правильно, однако существует опасность, что, уделяя так много внимания именам ведущих математиков, я способствую созданию ошибочного представления о математике как об области, в которой немногочисленные одинокие гении, отмеченные печатью еще в момент рождения, прокладывают остальному человечеству путь, по которому оно сможет двигаться дальше. Легко рассказывать историю, придерживаясь такого подхода. В некоторых случаях, как в случае со Шринивасой Рамануджаном, это не так уж далеко от истины. Рамануджан был одаренным ребенком из южных районов Индии, с самого детства генерировавшим удивительно оригинальные математические идеи, которые он сам называл божественными откровениями богини Намагири{283}. На протяжении многих лет он работал в полной изоляции от остального математического мира, имея доступ только к нескольким книгам, которые могли познакомить его с современным состоянием этой дисциплины. К 1913 году, когда Рамануджан наконец установил контакт с большим миром теории чисел, он уже исписал много тетрадей примерно четырьмя тысячами теорем, многие из которых до сих пор являются предметом активных исследований. (Богиня открывала Рамануджану формулировки теорем, но не давала никаких доказательств – их предстоит искать нам, преемникам Рамануджана).

Однако Рамануджан был особым человеком, историю которого рассказывают так часто именно в силу ее нетипичности. Гильберт начинал как очень хороший, но не исключительный студент, который ни в коей мере не был самым блестящим молодым математиком в Кёнигсберге; таковым был Герман Минковский – на два года моложе Гильберта[318]{284}. Впоследствии Минковский сделал весьма серьезную математическую карьеру, но так и не достиг высот Гильберта.

Один из самых мучительных аспектов преподавания математики – видеть, как культ гениальности причиняет вред студентам. Культ гениальности внушает студентам мысль о том, что заниматься математикой не стоит, если ты не самый лучший в области математики, поскольку только вклад избранных гениев имеет значение. Но ведь мы не обращаемся так ни с одной другой дисциплиной! Я никогда не слышал, чтобы студенты говорили: «Мне нравится “Гамлет”, но мне не место на курсе углубленного изучения английского; я не тот парень, который сидит в первом ряду, знает все пьесы и начал читать Шекспира в девятилетнем возрасте!» Спортсмены не бросают занятия спортом только потому, что один из членов команды показывает более высокие результаты. Тем не менее я вижу, как многообещающие молодые математики каждый год уходят, несмотря на то что любят математику, потому что кто-то в их поле зрения в чем-то их «превосходит».

Так мы теряем многих студентов, выбравших математику в качестве профилирующей дисциплины, а значит, мы теряем много будущих математиков. Однако это еще не вся проблема. Думаю, нам нужно больше изучающих математику студентов, которые не станут математиками. Нам нужно больше врачей, учителей средней школы, генеральных директоров и сенаторов, хорошо знающих математику. Однако мы не получим всего этого до тех пор, пока не отбросим стереотип, который гласит, что математикой стоит заниматься только молодым гениям.

Кроме того, культ гениальности приводит к недооценке тяжелого труда. Когда я начинал свою карьеру, я считал, что слово «трудолюбивый» – это своего рода завуалированное оскорбление и что так говорят о студенте, которого трудно назвать умным. Однако способность усердно трудиться (сфокусировать все свое внимание и энергию на той или иной задаче, целенаправленно размышляя над ней снова и снова и анализируя все, что напоминает решение, несмотря на отсутствие внешних признаков прогресса) – такое качество свойственно далеко не всем. Без такого качества, которое психологи называют в наши дни упорством{285}, невозможно заниматься математикой. Без него легко потерять из виду важность работы, поскольку математическое вдохновение, когда оно наконец все же приходит, может показаться бессильным и преходящим. Я хорошо помню, как доказал свою первую теорему. Во время учебы в университете я работал над первой дипломной работой и совершенно зашел в тупик. Однажды вечером я был на заседании редколлегии университетского литературного журнала, пил красное вино и время от времени принимал участие в обсуждении какого-то скучного рассказа, как вдруг у меня в голове все перевернулось, и я понял, как преодолеть барьер. Не было никаких деталей, но это и не имело значения: в глубине души я не сомневался, что задача решена.

Именно так протекает процесс математического творчества. Вот как вспоминает французский математик Анри Пуанкаре о большом геометрическом открытии, которое он сделал в 1881 году[319]:

Однако Пуанкаре подчеркивает, что на самом деле это произошло не на ступеньке омнибуса. Тот момент вдохновения был результатом многих недель труда, как осознанного, так и подсознательного, который каким-то образом готовит разум к установлению необходимых связей между различными идеями. Сидеть и ждать вдохновения – это путь к неудаче, каким бы талантливым молодым человеком вы ни были.

Возможно, мне трудно обосновать эту точку зрения, поскольку я сам был одним из одаренных детей. Я знал, что стану математиком, с тех пор как мне исполнилось шесть лет. Я изучал курсы, выходящие далеко за рамки моего этапа обучения, и выиграл множество медалей на математических соревнованиях. А после поступления в университет я был совершенно уверен в том, что участники математической олимпиады станут величайшими математиками моего поколения. Однако на самом деле все сложилось не совсем так. Из этой группы молодых звезд вышло много превосходных математиков, таких как Терри Тао – специалист по гармоническому анализу, получивший медаль Филдса. Однако большинство математиков, с которыми я сейчас работаю, не были членами математических кружков в тринадцатилетнем возрасте; их способности и таланты сформировались в разные периоды жизни. Так стоит ли бросать занятия математикой в средней школе?

Когда довольно много времени работаешь в математике (а я считаю, что этот урок применим и в других областях), то начинаешь понимать, что всегда есть тот, кто в чем-то тебя превосходит. Люди просто начинают смотреть на того, кто доказал хорошие теоремы; тот, кто доказал хорошие теоремы, смотрит на того, кто доказал много хороших теорем; тот, кто доказал много хороших теорем, смотрит на того, кто получил Филдсовскую премию; обладатели медали Филдса следят за теми, кто входит во «внутренний круг» медалистов, а члены этого круга всегда могут обратить свой взор на тех, кого уже с нами нет. Никто никогда не смотрит в зеркало и не говорит: «Надо признать, я лучше Гаусса». Тем не менее за последнюю сотню лет эти «болваны по сравнению с Гауссом» совместными усилиями обеспечили величайший расцвет математического знания, который когда-либо видел мир.

Математика – это по большей части коллективная область деятельности, в которой каждое открытие является продуктом огромной сети умов, работающих над достижением общей цели, даже если мы приписываем честь этого открытия человеку, который закладывает последний камень в здание этих трудов. Очень хорошо сказал об этом Марк Твен: «Требуется тысяча человек, чтобы изобрести телеграф или паровой двигатель, или фонограф, или телефон, или еще что-нибудь столь же важное, а мы приписываем изобретение последнему из них и забываем об остальных»{286}.

Это напоминает американский футбол. Безусловно, существуют моменты, когда один игрок берет под свой контроль всю игру, и эти моменты мы запоминаем, отдаем им должное и впоследствии еще долго вспоминаем. Однако такие моменты не являются нормальным режимом игры в футбол, и не благодаря им команды одерживают победы в большинстве матчей. Когда квотербек делает быстро двигающемуся ресиверу блестящий пас, завершающийся тачдауном, вы видите согласованные действия многих людей – не только квотербека и ресивера, но и лайнменов нападения, которые сдерживали атаку защитников довольно долго, чтобы квотербек подготовился и бросил мяч, а это в свою очередь стало возможным благодаря ранинбеку, который в самый критический момент отвлек внимание защитников. Кроме того, есть еще и координатор нападения, который задал тон игры, а также его помощники с планшетами в руках, и тренеры, которые поддерживают игроков в хорошем состоянии, для того чтобы они могли бегать и бросать мяч… Никто не называет всех этих людей гениями. Но они создают условия, при которых гений может реализовать себя.

Терри Тао пишет:

Я не утверждаю, что было бы неправильным называть Гильберта гением. Однако правильнее говорить, что гениально то, чего достиг Гильберт. Гениален не человек, гениально то, что он делает.

Политическая логика – это не формальная система в том смысле, который подразумевали Гильберт и другие специалисты по математической логике, но математики с формалистским мировоззрением не могли не подходить к политике с такими же методологическими предпочтениями. К этому их призывал сам Гильберт, который в своей лекции Axiomatic Thought («Аксиоматическое мышление»), прочитанной в 1918 году, отстаивал идею о том, что другие науки также должны взять на вооружение аксиоматический подход, оказавшийся столь успешным в математике.

Например, Гёдель, теорема которого исключила возможность окончательного изгнания противоречий из арифметики, был также обеспокоен Конституцией США, которую он изучал во время подготовки к экзамену на получение американского гражданства в 1948 году. Он считал, что этот документ содержит противоречие, которое может помочь фашистской диктатуре взять страну под свой контроль абсолютно конституционным путем. Друзья Гёделя Альберт Эйнштейн и Оскар Моргенштерн умоляли его избегать этой темы на экзамене, но, как вспоминает об этом Моргенштерн, беседа закончилась так:

Приверженность Гильберта логическому принципу и дедукции часто приводила к тому, что он, подобно Кондорсе, часто придерживался на удивление современных взглядов по вопросам, не имеющим отношения к математике[321]. Не без определенных политических последствий для себя он отказался подписать опубликованное в 1914 году «Обращение к культурному миру», которое оправдывало войну кайзера в Европе посредством длинного списка опровержений, начинавшихся со слов «Это неправда, что…»: «Это неправда, что Германия нарушила нейтралитет Бельгии» и так далее. Обращение подписали многие великие немецкие ученые, такие как Феликс Клейн, Вильгельм Рентген и Макс Планк. Гильберт, не имея уверенности, что все эти утверждения соответствуют истине, отказался поставить свою подпись[322]{289}.

Год спустя, когда профессорско-преподавательский состав Гёттингенского университета отказался предложить должность великому алгебраисту Эмми Нётер, утверждая, что студентам нельзя будет предложить изучать математику у женщины, Гильберт отреагировал на это так: «Не понимаю, как пол кандидата может служить доводом ее назначения. Ведь здесь университет, а не баня».

Однако логический анализ политики имеет свои пределы. В 1930-е годы Гильберт был уже пожилым человеком и, по всей вероятности, утратил способность понимать, что происходило в его родной стране после прихода нацистов к власти. Отто Блюменталь, первый ученик Гёделя, получивший докторскую степень, посетил его в Гёттингене в 1938 году, чтобы поздравить с семидесятивосьмилетием. Блюменталь был христианином, но родился в еврейской семье, и по этой причине его уволили с академической должности в Ахене. (В том же году Абрахам Вальд уехал из оккупированной немцами Австрии в Соединенные Штаты.)

В своей книге о Гильберте Констанс Рид вспоминает разговор на приеме в честь дня рождения математика:

– Какие предметы вы читаете в этом семестре? – спросил Гильберт.

– Я больше не читаю лекций, – осторожно напомнил ему Блюменталь.

– Что значит, что вы не читаете лекций?

– Мне больше не разрешают их читать.

– Но это совершенно невозможно! Этого не может быть. Никто не имеет права смещать профессора до тех пор, пока он не совершил какое-либо преступление. Почему вы не обращаетесь в суд?[323]{290}

Кондорсе также упорно держался за свои формалистские представления о политике, даже когда они не совсем соответствовали реальности. Существование циклов Кондорсе означало, что любая избирательная система, подчиняющаяся его базовой, на первый взгляд неоспоримой аксиоме (если большинство избирателей отдают предпочтение кандидату А перед кандидатом Б, Б не может быть победителем), может стать жертвой внутреннего противоречия. Кондорсе потратил большую часть последнего десятилетия своей жизни на попытки решить проблему циклов, разрабатывая все более сложные системы голосования, которые должны были исключить проблему противоречивости коллективного мнения. Однако ему так и не удалось добиться успеха.

Однако проблема была не в избирателях, а математике. Сейчас мы понимаем, что Кондорсе с самого начала был обречен на неудачу. Экономист Кеннет Эрроу доказал в своей докторской диссертации 1951 года, что даже гораздо более слабая совокупность аксиом, чем аксиомы Кондорсе, – совокупность требований, которые на первый взгляд так же трудно поставить под сомнение, как и правила арифметики Пеано, также влечет за собой парадоксы[324]. Это была невероятно элегантная работа, которая помогла Эрроу получить Нобелевскую премию по экономике за 1971 год, но она, безусловно, огорчила бы Кондорсе точно так же, как огорчила Гильберта теорема Гёделя.

А может, и не огорчила бы: Кондорсе был человеком, которого было трудно чем-то расстроить. Когда Французская революция набрала обороты, его мягкие принципы республиканской формы правления быстро вытеснили более радикальные якобинцы. Кондорсе впервые попал в политическую изоляцию, а затем был вынужден скрываться, чтобы избежать гильотины. Тем не менее его не покинула вера в неотвратимость прогресса под влиянием здравого смысла и математики. Уединившись в надежном доме в Париже, зная, что у него, возможно, осталось не так уж много времени, Кондорсе написал труд «Esquisse d’un tableau historique des progrèts de l’esprit humain» («Эскиз исторической картины прогресса человеческого разума»), в котором изложил свое видение будущего. Это удивительно оптимистичный документ, описывающий мир, в котором такие проблемы, как роялизм, предубеждения в отношении пола, голод и старость, будут решены в свое время посредством науки. Вот типичный отрывок из этой работы:

В наше время работа Кондорсе «Эскиз» известна опосредованно: она вдохновила Томаса Мальтуса, считавшего предсказания Кондорсе безнадежно оптимистичными, на написание намного более знаменитой, но и более мрачной книги о будущем человечества[326].

Вскоре после того, как был написан приведенный выше отрывок, в марте 1794 года (или, согласно рационализированному революционному календарю, в жерминале второго года) Кондорсе поймали и арестовали. Через два дня его нашли мертвым; одни говорят, что он совершил самоубийство, другие – что его убили.

Подобно тому как модель математики Гильберта уцелела, несмотря на разрушение его формальной программы Гёделем, подход Кондорсе к политике также пережил его гибель. Мы больше не рассчитываем на то, что нам удастся найти системы голосования, удовлетворяющие его аксиоме. Однако мы стали приверженцами более фундаментальной убежденности Кондорсе в том, что численная «социальная математика» (то, что мы называем сейчас социологией) должна играть свою роль в определении надлежащего поведения правительства. Это и были те «инструменты, увеличивающие интенсивность и направляющие употребление [наших] способностей», о которых с таким воодушевлением писал Кондорсе в «Эскизе».

Идеи Кондорсе настолько переплетены с современным подходом к политике, что мы вряд ли воспринимаем их как выбор. Однако это и есть выбор. И я считаю, что это правильный выбор.