Одураченные случайностью

Математический подход к проблеме вполне упорядочен. В то время, как в обычных моделях (типа, хорошо известных броуновских случайных блужданий, используемой в финансах) вероятность успеха не изменяется с каждым возрастающим шагом, но только накопленное богатство, Артур предлагает модели, типа, процесса Полна, который является математически очень трудным, чтобы с ним работать, но может быть легко понят при помощи симулятора Монте-Карло. Процесс Полна может быть представлен следующим образом: предположим урну, первоначально содержащую равные количества черных и красных шаров. Вы должны каждый раз предполагать, какой цвет вы вытащите прежде, чем потянетесь за шаром. Здесь игра подстроена. В отличие от обычной урны, вероятность правильного предположения зависит от прошлого успеха так, что вы улучшаете или ухудшаете предположения в зависимости от прошлого результата. Таким образом, вероятность победы увеличивается после прошлых побед, или уменьшается после прошлых потерь. Моделируя такой процесс, можно увидеть огромную вариацию результатов, с удивительными успехами и большим количеством неудач (что мы назвали смещением).

Сравните такой процесс с теми, которые более обычно моделируются, то есть урной, из которой игрок делает выемки с заменой. Скажем, вы играли в рулетку и выиграли. Это увеличило бы ваши возможности выиграть снова?

Нет. В процессе Полна, увеличило бы. Почему это так трудно выразить математически? Потому, что понятие независимости (то есть, когда следующее испытание, не зависит от предыдущего результата) нарушено. Независимость - вот требование для работы с (известной) математикой вероятности.

Что пошло не так, как надо с развитием экономики, как науки? Ответ: существовала группа интеллектуальных людей, которые чувствовали необходимость использовать математику только, чтобы сообщить себе, что они были строги в своих размышлениях, что это была их наука. Кто-то в большой спешке решил представить математические методы моделирования (виновники: Леон Валрас, Джерард Дебрю, Поль Самуельсон) без того, чтобы понять факт, что либо класс математики, которую они использовали, был слишком ограничен для класса проблем, с которыми они имели дело, либо, возможно, что точность языка математики могла заставить людей поверить, что они имеют решения, когда, в действительности, они не имели ни одного (вспомним Поппера и стоимость восприятия науки слишком серьезно). Действительно, математика, с которой они имели дело, не работала в реальном мире, возможно потому, что мы нуждаемся в более сложных классах процессов - и они отказались принять факт, что никакая математика, вообще, вероятно, не была бы лучше.

Так называемые теоретики комплексности пришли на выручку. Много шума было произведено работами ученых, которые специализировались на нелинейных количественных методах - их Меккой является Институт Санта-Фе около городка Санта-Фе, в Нью-Мексико. Ясно, что эти ученые много работают, пытаясь обеспечить нас замечательными решениями в физических науках и лучшими моделями в смежных социальных науках (хотя ничего удовлетворительного там все же нет). И если они, в конечном счете, не преуспеют, это будет просто потому, что математика может оказать только вторичную помощь в нашем реальном мире. Обратите внимание, что другое преимущество моделирования методом Монте-Карло состоит в том, что мы можем получить результаты там, где математика нас подводит и может быть бесполезной. Освобождая нас от уравнений, метод освобождает нас от ловушек низшей математики. Как я сказал в главе 4, математика - это просто способ мышления и медитации, не больше, в нашем мире случайности.

Буриданов осел или хорошая сторона случайности

Нелинейность в случайных результатах иногда используется как инструмент, ломающий безвыходные положения. Рассмотрим проблему нелинейного толчка. Вообразите осла одинаково голодного и измученного жаждой, расположенного на абсолютно равном расстоянии от двух источников продовольствия и воды. В таких обстоятельствах, он бы умер и от жажды, и от голода, поскольку будет не способен решить к какому источнику пойти первым. Теперь введите некоторую случайность в картину, хаотично подталкивая осла, вынуждая его подвинуться ближе к одному источнику, неважно какому и, соответственно, подальше от другого. Тупик был бы немедленно сломан и наш счастливый осел либо хорошо поел, а потом выпил, либо сначала хорошо попил, а потом хорошо покормился.

Читатель, без сомнения, разыгрывал версию Буриданова осла, "подбрасывая монету", чтобы сломать некоторые из незначительных безвыходных положений в жизни, где можно прибегнуть к помощи случайности в процессе выбора. Позвольте госпоже Удаче принять решение, которому вы с удовольствием подчинитесь. Я часто использую осла Буридана (под его математическим названием), когда мой компьютер зависает между двумя альтернативами (говоря технически, эти "рандомизации" часто происходят при решении проблем оптимизации, когда требуется оживить функцию).