Продолжаем исследовать законы подлости вместе с теорией вероятностей и прочей другой математикой. В этой серии статей я привожу выдержки из своей книжки Вероятности и неприятности. Сегодня будет длинная статья. Для тех, кому лень или некогда её чтать, скажу сразу — знаменитый закон бутерброда работает и носит универсальный характер. Так что берегите нервы и не переживайте из-за своей невезучести.
Тема падающих бутербродов не даёт покоя ни широкой публике, ни исследователям. Десятки лет проводятся эксперименты, снимается кино, пишутся статьи, падающий бутерброд обрастает легендами и неправильными выводами. Мало какая столь же бесполезная задача привлекала к себе такое внимание. И если вы думаете, что это баловство, то имейте в виду, что за её решение даже премии дают — правда, тоже несерьёзные. В 1996 году Роберт Мэтьюз получил Шнобелевскую премию за работу «Падающий бутерброд, закон Мёрфи и фундаментальные константы», опубликованную в European Journal of Physics. Несмотря на шуточную тему и соответствующую реакцию научного сообщества, это небезынтересная статья, в которой проводится тщательный анализ процесса соскальзывания и делается далеко идущий вывод: на какой бы планете ни возникли антропоморфные существа, живущие в атмосфере, они будут обречены на закон бутерброда. После такого триумфа бесполезных исследований можно бы тему и закрыть, но зачем упускать возможность рассмотреть на примере занятной задачки интересные и объективно полезные методы!
Айда кидать бутерброды в Монте-Карло!
Мы редко подбрасываем бутерброды, как монетку, — по крайней мере, когда становимся старше двух лет. Чаще всего мы невольно повторяем примерно один и тот же эксперимент: бутерброд, изначально расположенный маслом вверх, выскальзывает из рук или съезжает со стола. В процессе соскальзывания он закручивается, летит в воздухе и наконец шлёпается на стол или на пол. На начальный этап падения влияет ряд параметров: трение о пальцы или поверхность стола, начальное положение бутерброда и его начальная скорость, высота падения — наконец, размеры бутерброда. Налицо динамическая система с несколькими входными параметрами и одним выходным — положением бутерброда на полу. Внутри системы, как и в случае с монеткой, работают механические законы, которые описываются дифференциальными уравнениями, и они детерминистические. Это значит, что в них нет никаких случайностей. Результат зависит только от входных данных, и при точном повторении параметров мы должны получать идентичные результаты. Это относится к модели бутерброда, представленной в виде системы дифференциальных уравнений. А что насчёт настоящих бутербродов, шероховатых и неповторимых, роняемых настоящими людьми в ресторанах, на улице или на диване? Изменчивость реального мира можно описать, подавая на вход детерминистической системы случайные параметры.
Однако даже алгебра случайных величин, включающая в себя лишь сложение и умножение, — дело непростое, а у нас дифференциальные уравнения! Мы не полезем в эти увлекательные дебри, а используем отработанную во многих областях технику — метод Монте-Карло. Он состоит в определении свойств некой сложной системы в результате многократных испытаний с различными случайными параметрами. Подчеркну ещё раз: исследуемая система не стохастична и не хаотична, и на случайные входные данные она реагирует предсказуемо. В методе Монте-Карло случайность нужна лишь для того, чтобы эффективно перебрать как можно больше вариантов и заглянуть во все реалистичные «углы», получив представление о поведении системы. Это универсальный метод, применяемый в самых разнообразных задачах. Обычно студенты впервые знакомятся с методом Монте-Карло, изучая численное интегрирование, например вычисляя площадь какой-либо сложной фигуры, задаваемой системой неравенств, которая не имеет приличного аналитического представления. То обстоятельство, что вероятность — мера, позволяет использовать метод Монте-Карло для вычисления мер (площадей и объёмов) геометрических фигур.
Особенность предстоящего эксперимента с бутербродом состоит в том, что нас интересует зависимость вероятности того или иного его исхода от параметров задачи. Мы будем искать ответ на вопрос: при каких обстоятельствах выполняется закон бутерброда? Станем подавать на вход нашей динамической системы различные конкретные параметры и набирать статистику по падениям маслом вверх и маслом вниз. И результатом ряда экспериментов будет число — вероятность падения маслом вниз.
Я убеждён, что намеренно ронять на пол настоящие бутерброды из хлеба и масла неправильно, поэтому воспользуемся математическим моделированием. Для решения задачи я взял один из доступных симуляторов физического мира, которые используют для создания онлайн-игр. Он легко позволил создать виртуальные стол и пол, а также два бутерброда. Один оказывался на краю стола, а второй «выскальзывал из пальцев», то есть соскальзывал с точечной опоры:
В моих силах задать все параметры задачи: начальные позицию и угол бутерброда, горизонтальную скорость для случая смахивания со стола, коэффициенты трения, размеры бутерброда и высоту падения. В момент, когда бутерброд касается пола, фиксируется угол бутерброда, вернее угол вектора, нормального к нему. О том, с какой стороны оказалось масло, нам скажет знак синуса этого угла: положительному значению соответствует удачный случай, а отрицательному — положение маслом вниз. Результат заносится в таблицу, и новый виртуальный бутерброд готов к падению. Задачу мы поставим такую: оценить вероятность приземления бутерброда маслом вниз при его падении с заданной высоты.
Как правильно говорить о случайных величинах
Метод Монте-Карло подразумевает, что в качестве параметров используются случайные переменные. И здесь наконец пора разобраться с тем, что же такое случайная величина.
Обратимся к математическим структурам. Какой структурой можно моделировать результаты выпадения числа на игральной кости или уровень воды в реке, ведь там постоянное волнение? Как работать с числом автомобилей, проезжающих перекрёсток в течение часа? Какой структурой можно описать состояние электрона в атоме водорода? С одной стороны, это конкретные числа из вполне определённого множества значений: для кости, например, из множества {1, 2, 3, 4, 5, 6}, — и какое-нибудь значение легко по- лучить, проведя эксперимент. Однако повторный опыт даст иной результат — это явно не просто число: сегодня оно одно, завтра другое. Может даже возникнуть философский вопрос: а имеет ли смысл говорить о каком-то точном значении «уровня воды в реке» или числе автомобилей, ведь эти величины невозможно «поймать» и зафиксировать? Возможно ли в каком-либо смысле точное знание о случайной переменной?
Часто, говоря о таких случайных величинах, ограничиваются одним средним значением, и мы говорим о «средней скорости в час пик» или об «орбите электрона». Но это отличный способ запутаться или даже намеренно запутать. Если фраза «средняя скорость в час пик равна 15 км/ч» даёт неплохое представление о ситуации на улице в целом, то переучивать студентов-физиков от мышления орбитами к оперированию волновыми функциями уже весьма непросто. Ну и, наконец, какой смысл в среднем значении числа, выпадающего на игральной кости? Посчитать-то его можно, любой с этим справится: (1 + 2 + 3 + 4 + 5 + 6) / 2 = 3,5. Но это число не говорит ровным счётом ничего о рассматриваемой случайной величине. Его даже нет на гранях кубика.
Может быть, нужно указать два числа: среднее и дисперсию? Это уже лучше, но опять же пример с игральной костью показывает, что это явно не вся информация об интересующем нас объекте. А что, если случайные величины — не числа, а множества? Скажем, уровень воды в реке можно попытаться описать интервалом возможных значений с учётом волнения, а для примера с машинами сказать, что за час проезжает от 1 до 100 автомобилей и т. д. Но легко увидеть, что и множества возможных значений тоже недостаточно: например, при многократном повторении измерения количества автомобилей на улице какие-то числа будут встречаться чаще, а каких-то мы не дождёмся вовсе.
В предыдущей главе (напомню, это выдержки из книги), определяя вероятность, мы ввели меру как функцию на вероятностном пространстве. Для случайной величины элементарными событиями этого пространства будут элементы области её определения, а мерой задаётся распределение вероятностей для этой величины. И вот это уже исчерпывающая и точная информация. Итак, подводим итог: случайная величина однозначно и полностью характеризуется своим распределением. Распределение, в свою очередь, представляет собой функцию. Её область определения — множество возможных значений случайной величины, а область значений этой функции — вероятности для этих значений.
Для уровня воды в реке или скорости машин распределение может быть выражено в виде гладкой колоколообразной кривой. Количество машин, зафиксированных на дороге в единицу времени, должно быть натуральным числом, и его распределение можно представить в виде дискретной функции, определённой только на натуральных числах, или точной формулы. Наконец, моделью игральной кости может быть таблица, показывающая вероятность выпадения каждого из возможных чисел:
Функции можно представлять аналитически или в виде приближения другой функцией, таблицы, гистограммы либо графика. Все эти представления — модели одного и того же объекта, случайной величины. Самое важное тут — не столько конкретный вид представления, сколько математические свойства этой функции. Для распределений вероятностей свойства бывают разными: количество параметров, количество мод, энтропия, бесконечная делимость, аддитивность, устойчивость, интегрируемость и т. д. Изучением распределений и их свойств занимается теория вероятностей. Но на практике часто встречается иная задача: необходимо найти модель для случайной величины, если мы не имеем полной информации о ней, но значения которой можем наблюдать, проводя эксперименты. Из огромного арсенала известных распределений с точно определёнными свойствами исследователь выбирает не столько «самую похожую» функцию, сколько функцию, наиболее совпадающую по свойствам с наблюдаемой случайной величиной. Это составляет суть статистического анализа, который знаком каждому студенту, прикоснувшемуся к математической статистике.
Сейчас нам нужно задать параметры бутерброда случайными числами, не имея статистических данных, а руководствуясь лишь нужными нам свойствами этих величин. Это важная и интересная часть метода Монте-Карло, от которой зависят и решение, и его корректность.
Размеры бутерброда. Какими они могут быть? Разумной величины канапе имеет сантиметра три в ширину, а студенческий добрый «лапоть» может быть сантиметров пятнадцать. При этом вероятность встретить бутерброд миллиметровой или метровой ширины в практическом смысле равна нулю. Больше про бутерброды я ничего сказать не могу и приму их размеры равномерно распределенными в указанном диапазоне. Запишем это так:
В случае равномерного распределения на некотором отрезке [a, b] случайная величина имеет всюду одинаковую плотность, равную 1/(b – a). В этом случае плотность распределения принимает вид прямоугольника, а вероятность попасть в какой-нибудь отрезок пропорциональна его длине. Такой выбор не идеален: всё же средние бутерброды мы встречаем чаще крошечных или гигантских. Но позже мы увидим, что это слабое место можно изящно обойти.
Начальное положение. Тут мы, не мудрствуя, зададим равномерное распределение для смещения бутерброда за край стола, лишь бы он вообще упал:
Коэффициент трения. Это неотрицательная безразмерная величина, зависящая только от материала. Столы и скатерти бывают разные, пальцы сжимают бутерброд с разной силой. Диапазон коэффициента от 0,01 до 0,9, при этом крайние значения маловероятны, в среднем можно ожидать около 0,3. Для моделирования неизвестного коэффициента трения нам поможет любое колоколообразное несимметричное распределение неотрицательной величины, например гамма-распределение:
Оно будет часто встречаться в этой книге. Почему? Об этом вы узнаете в самом конце.
Начальная скорость. Мы редко запускаем бутерброды с большой скоростью, чаще всего не кидаем их вовсе, но всё же иногда смахиваем. Про величину скорости известно лишь то, что она положительна. Можно предположить, что при смахивании в среднем мы движемся так же, как в среднем руки, — со скоростью около 0,5 м/с. Если про случайную величину известно только это, то её разумно описать экспоненциальным распределением:
Его мода (положение максимума на графике) равна нулю, так что доля бутербродов, упавших без большой начальной скорости, будет вполне приличной. В тонком «хвосте» окажутся бутерброды, нечаянно запускаемые в полет при смахивании крошек со стола. Тут стоит обратить внимание на то, что экспоненциальное распределение, вообще говоря, отлично от нуля на всей положительной полуоси; а это значит, что ненулевую вероятность имеют и сверхзвуковая, и сверхсветовая скорости. Однако вероятность наблюдать их при указанном параметре чрезвычайно мала: для скорости, превышающей 10 м/с, она равна одной миллиардной, так что этой опасностью вполне можно пренебречь.
Эксперимент строился так: я «ронял» со стола фиксированной высоты сотню бутербродов, подсчитывал среди них долю тех, что упали маслом вниз, и, используя частотное определение вероятности, отражал на графике зависимость вероятности такого исхода от высоты стола. Вот что у меня получилось:
Какая-то тенденция видна, но в глаза не бросается. При усреднении получается, что искомая вероятность от высоты стола почти не зависит и едва превышает 50%. Можно ли доверять такому эксперименту? Опровергает ли он закон бутерброда? Может, мы недостаточно много бросали бутербродов — вон какие шумные получились данные! Действительно, 100 бросаний — это мало. А почему и по сравнению с чем мало, мы обсудим в следующей главе. Увеличим число бросаний и посмотрим, что получится
Выбросов стало меньше, но ещё отчётливее видно, что закон бутерброда какой-то невыразительный. Отклонения от 50% не на столько значительны, чтобы стоило говорить о каком-то «законе». Что же, мы готовы его развенчать?
Метод Монте-Карло выглядит заманчиво простым: знай себе подставляй какие попало данные и смотри, что получается. Математика — честная штука: на какой попало вопрос она готова дать какой попало ответ. А вот имеет ли смысл этот ответ, сильно зависит от вопроса. Правильно ли мы проводили наши эксперименты?
Как правильно задавать вопрос природе?
Перед тем как приступать к экспериментам, не таким игрушечным, как у нас, а настоящим и дорогостоящим, использующим орбитальный спутник, ускоритель элементарных частиц или тысячу настоящих бутербродов с маслом, необходимо провести подготовительную работу. И один из мощных и красивых методов, позволяющих понять, как верно и оптимально провести эксперимент, — анализ размерностей задачи.
Механику бутерброда мы рассчитывали, пользуясь импульсами и силами — физическими величинами, которые, в свою очередь, связаны уравнениями аналитической механики. И вновь это не просто числа. В физике количественные величины, которые мы измеряем и подставляем в уравнения, не «умещаются» в поле чисел. Они оснащены дополнительной структурой, которая называется размерностью. Не все корректные математические выражения имеют смысл, если в них участвуют размерные величины. Скажем, нет смысла складывать скорость и массу, невозможно сравнить силу и расстояние. Однако можно рассмотреть произведение скорости и массы, получив новую размерную величину — количество движения, или импульс; можно возвести скорость в квадрат и поделить на расстояние, получив таким образом величину, имеющую размерность ускорения.
Анализ размерности и теория подобия родились давно. Со времён лорда Рэлея они используются в механике, электродинамике, астрофизике и космологии, позволяя с пугающей изящностью подходить к решению очень сложных задач. Однако исследования в этой области не завершены, и строгое определение структуры, образуемой количественными (размерными) величинами, было дано лишь в 2016 году испанским математиком Альваро Рапозо. Сами по себе размерности образуют так называемую свободную абелеву группу, а размерные величины — локально тривиальное расслоение. Я не буду здесь расшифровывать, что означают эти термины: в двух словах это не получится. Пусть для заинтересованного читателя упоминание об алгебраических структурах будет указателем направления, с которого начинается настоящая математика.
Ограничения, накладываемые размерностями на физические формулы, часто воспринимаются учениками и студентами как лишняя морока, за которой нужно следить. Но логически согласованные ограничения чрезвычайно полезны! Они отсеивают неверные выражения, позволяют «предвидеть» структуру решения физической задачи до её детального разбора, это мощный инструмент при планировании и анализе экспериментальных данных.
Но вот что важно. Мы рассчитывали падение бутерброда в компьютерной программе, используя не размерные, а обыкновенные числа. Как можно «освободить» физическую величину от размерности и превратить в число? Для этого предназначены хорошо нам знакомые единицы измерения физических величин: все эти метры, фунты, минуты и ньютоны. Единицы измерения берут на себя размерную часть величины, оставляя нам множитель — вещественное число, с которым уже может иметь дело вычислительная машина. Например, скорость в выбранном направлении величиной 72 км/ч можно представить числом 72. Но тут есть тонкость: от выбора единиц измерения зависит числовое представление. При других единицах (скажем, метрах и секундах) эта же скорость будет представлена другим числом: 20. Числа разные, но величина одна, и она не зависит от конкретных единиц.
Возникает вопрос: существует ли в каком-либо смысле «самая лучшая» система единиц?Оказывается, да, но для каждой задачи она своя. При решении нужно использовать в качестве единиц измерения размерные величины, входящие в задачу.
В этой главе у нас летают бутерброды, в предыдущей — монетки. Приведём ещё один пример из области полётов. Как сравнивать лётные качества различных птиц? Понятно, что скорости, которые развивают птицы, различны: у голубя — 90 км/ч, у стрижа — 140 км/ч, у журавля, воробья или кряквы — 50 км/ч, у колибри — 80 км/ч. Но все эти птицы существенно различаются по размерам и манере полёта. Если длину попугая измерять в попугаях, а время — в периодах взмаха его крыльев, можно получить некую, как говорят, собственную скорость попугая. Можно скорости, которые способны развивать эти птицы, разделить на собственные значения и получить безразмерную скорость, показывающую, на сколько длин корпуса может переместиться птица за один взмах крыльев. Вот что получается при таком сравнении.
Видно, что стриж по праву считается лучшим летуном, а вот колибри неэффективно расходует энергию. Впрочем, у этой птицы нет задачи лететь долго, как у голубя. Одинаковые абсолютные скорости журавля, воробья и утки существенно разнятся при переводе в безразмерные величины. Такого рода расчёты используются, чтобы моделировать настоящий большой самолёт, испытывая маленькую модель в аэродинамической трубе. Если все безразмерные параметры этих двух систем близки, они могут считаться физически подобными, и моделирование имеет смысл.
Какой будет самая подходящая система единиц при анализе полёта бутерброда? Длину и стола, и бутерброда надо измерять не в сантиметрах или метрах, а в бутербродах. За единицу времени можно взять величину √(l/g) , где l — длина бутерброда, а g — ускорение свободного падения. Легко убедиться, подставив какие-нибудь единицы измерения, что эта величина имеет размерность времени. Получив результат таким путём, мы сразу можем обобщить его как для крошечного канапе, так и для солидного «лаптя». Итак, повторим наши вычисления, благо виртуальные бутерброды у нас не закончатся никогда, отражая на графике высоту стола в собственных единицах. Если мы всё сделаем правильно, то для двух разных по размерам бутербродов мы должны получить очень похожие графики. Проверим это:
В первоначальной постановке задачи мы, перебирая различные размеры, получали облако результатов, в котором оказалась скрыта интересующая нас зависимость. При увеличении числа испытаний мы это облако усреднили и получили неинтересный ответ, лишенный важных деталей. Чтобы ярче показать, в чем состояла методическая ошибка, представьте, что мы захотим вычислить вероятность падения бутерброда маслом вниз, перебирая случайным образом и начальные условия, и размеры бутерброда, и высоту. Это равносильно усреднению всех результатов разом. В итоге мы получим уверенную серединку — вероятность, очень близкую к 1/2, как при подбрасывании монеты! Очень логичный и ожидаемый результат, но он неинтересен. Усредняя множество данных для разных размеров, мы уже приблизились к такому выводу. Но если цель моделирования состоит в выявлении закономерности, то имеет смысл минимизировать число параметров.
Обезразмеренные данные теперь чётко говорят в пользу нашего закона, ограничивая его, однако, определенным диапазоном высот: от 2 до 5 размеров бутерброда (от высоты локтя над столом до высоты руки сидящего человека). За пределами этого диапазона у бутерброда повышается шанс повернуться более выгодной для нас стороной перед падением.
А что, если заглянуть дальше и кидать бутерброды из окна? Понятно, что при падении с большой высоты уже неважно, какой стороной приземлилось то, во что превратится бутерброд, и сопротивление воздуха стабилизирует падение, но чисто теоретически: что мы ожидаем увидеть? Наверное, должны наблюдаться некие колебания вероятности по мере увеличения времени полёта. Давайте посмотрим
В целом форму зависимости мы угадали, но любопытно, что амплитуда колебаний вероятности уменьшается и она сходится к 50%. О чем это может говорить? Тот же ли это эффект, что и в случае с монеткой, когда при увеличении длительности полёта становятся более существенными последствия отклонений начальных условий? Оказывается, в данном случае природа выравнивания вероятностей иная.
Ещё немного анализа размерностей
Какой бы несерьёзной ни была тема нашей книги, мы говорим на языке математики, а он стремится к точным решениям. Можно встретить даже такую фразу: «Если для решения вам понадобился только компьютер, то это ещё не математика». Метод Монте-Карло позволил нам получить представление о решении, но это то, что называется грубой силой. Это совсем не так интересно, как хоть какое-то, но аналитическое решение.
Анализ размерностей позволит нам построить теоретический вид зависимости, полученной методом Монте-Карло. Для этого не понадобится решать дифференциальные уравнения; более того, рассуждения не выйдут за пределы вполне примитивных и очевидных соотношений. В том и состоит очарование анализа размерностей — который, впрочем, иногда выглядит фокусничеством. Итак, приступим, ограничиваясь для простоты соскальзыванием бутерброда длины l со стола высоты H с нулевой горизонтальной скоростью.
1. Угол поворота падающего бутерброда зависит от времени и угловой скорости:
2. Угловая скорость равна произведению времени соскальзывания и углового ускорения:
3. Время соскальзывания можно выразить через ускорение свободного падения и часть длины бутерброда, которая соприкасалась со столом, следующей пропорцией:
где l₀ — длина части бутерброда, лежавшей на столе. Здесь мы используем отношение пропорциональности, обозначенное знаком ∝. Выражение y ∝ x можно переписать как y = Cx, где C — некая неизвестная константа. Я очень люблю это отношение. Пропорциональность «вбирает в себя» все сложное, что превращается в константу: и то, что при повороте меняется момент силы тяжести, и то, что при соскальзывании перемещается центр вращения. Все это, конечно, нужно знать для точного расчёта, но в результате получится только безразмерный коэффициент, а в нашем анализе он не играет роли. Одним значком мы избавили себя от утомительного интегрирования.
4. Угловое ускорение происходит от ускорения силы тяжести и зависит от плеча, к которому она прилагается:
И опять знак ∝ позволил нам не вычислять момент инерции пластины для оси, лежащей в её плоскости, а также изменяющейся проекции силы тяжести (это ещё два интеграла).
5. Наконец, время падения зависит от высоты стола и ускорения свободного падения:
6. Подставляя все эти выражения в первую формулу, получаем результат:
Tсли измерять все длины в бутербродах, этот результат превращается в
Здесь l₀ = xl и H = hl. Что ж, все сходится: угол — величина безразмерная, и зависит она от безразмерных коэффициентов — но не от масштаба времени. Остаётся чистая геометрия. Знаменатель не опасен — при x > 0,5 бутерброд не упадёт вовсе (мы рассматриваем нулевую горизонтальную скорость), так что 0 < x < 0,5.
То, какой стороной упадёт бутерброд, определяется знаком синуса угла φ, то есть функцией sign(sinφ). Она возвращает –1 для случая «маслом вверх» и 1 для «маслом вниз». Мы можем использовать эту функцию для выражения вероятности падения детерминистического бутерброда, если приведём её к диапазону от 0 до 1:
где стрелочка в индексе символически означает ориентацию масла. Коэффициент C, появившийся в формуле вероятности, выражает все то, что осталось спрятанным, с помощью знака пропорциональности. Это действительно очень хитрый ход, он избавил нас от утомительного интегрирования (и даже трёх). Но как же нам теперь узнать, чему равен этот коэффициент? Из эксперимента. Причём достаточно одного испытания с измерением угла в момент падения, чтобы получить оценку этого значения! С помощью симулятора я легко выяснил, что C = 2,3.
Мы получили устрашающее двухпараметрическое распределение. Что же с ним теперь делать? Нас интересует вероятность того, что бутерброд упадёт маслом вниз, если x будет равно 0,2; или 0,4; или любому числу от 0 до 0,5. Мы использовали союз «или», при этом каждый случай рассматривается как независимый и исключающий все прочие при проведении конкретного эксперимента. Вспомним, что вероятность — мера вероятностного пространства, а раз так, то она аддитивна. Это позволяет нам просто сложить вероятности P↓(x, h) для всех значений x, умножив их предварительно на вероятность попадания в конкретный диапазон значений. Разобьём отрезок от 0 до 0,5 на n частей и вычислим оценку вероятности в виде суммы:
Здесь множитель 2/n выражает вероятность для случайной величины x попасть в отрезок ширины 1/n. Вот как выглядят результаты для значительного числа разбиений (n = 100) на фоне серии численных экспериментов с нулевой горизонтальной скоростью:
Решение, которое мы приводили до этого, содержит больше случайных параметров, поэтому оно оказалось более сглаженным и приближенным к 50%, но в принципе подобный анализ можно провести и для более общего случая.
Обратите внимание на то, что вероятность P↓ при увеличении h стремится к значениям, близким к 50%. И это происходит вовсе не из-за неопределённости и влияния начальных ошибок. Вычисления показали, что это результат сложения множества гармоник, образуемых значениями x при суммировании P↓(x, h). Если мы забудем про несчастный бутерброд и продолжим график P↓, то увидим, что оценка вероятности так и продолжит колебаться вблизи 50%, постепенно стремясь к этому значению.
А можно ли выяснить без прямых вычислений, будет ли вероятность продолжать сходиться к 50% или когда-нибудь снова станет расти? И здесь тоже есть место нетривиальной и глубокой математике. Дело в том, что каждому значению x соответствует определённая частота колебаний (Колебания в нашей задаче не гармонические и не синусоидальные, но это не мешает нам складывать такие гармоники. Заменой переменных можно привести их к традиционному для преобразований Фурье виду.), а весь набор формирует так называемый спектр суммарной функции. Если он дискретный, то есть состоит из отдельных частот, суммарная функция (она называется Фурье-образом) будет периодичной. Непрерывному спектру в виде константы на отрезке от 0 до 0,5 будет соответствовать апериодичная функция, похожая на убывающие колебания. Но это мы заглянули в другой большой и важный раздел математики — функциональный анализ. Больше он нам не понадобится, так что если вас напугал этот абзац, не переживайте. Его смысл выразим одной фразой: можно строго показать, что при падении бутерброда с большой высоты вам не удастся угадать, упадёт он маслом вверх или вниз.
Великий итальянец Энрико Ферми, «дедушка» метода Монте-Карло (отцом считается польский математик Станислав Улам), приучал своих учеников проводить простые оценочные вычисления, прикидывать на клочке бумаги или на пальцах, что мы ожидаем получить, прежде чем приступать к точному решению задачи. Примечателен такой момент: если оценка окажется верной, станет понятно, что суть проблемы ухвачена; если же нет, то это тем более полезный результат — значит, задача оказалась интереснее, чем кажется!
В нашем случае простой оценки достаточно, задача о бутерброде не стоит более тщательного решения. Метод Монте-Карло продемонстрировал нам только намётки решения, анализ размерности очертил лишь некоторую его общую структуру, но вместе они смогли показать нам, как устроена искомая вероятность. В повседневной работе эрудиция позволяет математику видеть в подобных намётках решения готовые структуры, выбирать подходящие методы и делать далеко идущие предположения и выводы.
Роберт Мэтьюз в своём эпохальном исследовании тоже использовал анализ размерностей, чтобы показать, что закон бутерброда фундаментален. Его вывод основан на том, что предельная высота организма, вставшего на задние конечности с целью передними взять бутерброд с маслом, определяется прочностными свойствами биологических тканей и гравитацией. В свою очередь, характерный размер бутерброда должен соответствовать масштабу существа — и коренастые карлики на какой-нибудь тяжёлой планете, и хрупкие дылды на планете с малой гравитацией будут выбирать себе бутерброды по размеру. Тут мы подходим к тому, что в науке называется спекуляцией. Это не перепродажа всякого добра втридорога, а сомнительные предположения, ложащиеся в основание логического построения. В частности, мы предполагаем наличие у существ рук, пропорции которых сходны с нашими, а это более чем спорно.
Не так важна была цель нашего пути: опровержение либо оправдание закона бутерброда, — как сам путь. Он показал, как совмещение разных математических методов позволяет взглянуть на задачу с разных сторон, и даёт достаточно точное знание — даже без детального решения задачи. В согласованности различных математических дисциплин, подходов и точек зрения состоит сила и красота математики. Тут уместно вспомнить чудесные слова Марины Цветаевой: «Я не хочу иметь точку зрения, я хочу иметь зрение». Изучение разных областей математики способно дать исследователю настоящее «объёмное» многомерное зрение, позволяющее заглянуть в кажущееся закрытым и скрытым пространство знаний.
