Почему Бог бросает кости?
Бог не играет в кости.
В письме Максу Борну Эйнштейн выразил свои сомнения по поводу зарождающейся области квантовой механики, используя ныне известную фразу «Бог не бросает кости». ему не нравилась мысль о том, что эти события произошли случайно или вероятностно.
Копенгагенская доктрина, разработанная Бором, Гейзенбергом и многими другими физиками, предполагает, что поведение субатомных частиц может быть описано только в терминах вероятностей. Другими словами, это предполагает, что мы можем только утверждать, что событие весьма вероятно, а не обязательно произойдет.
Это огромная тема для многих дисциплин, таких как психология, философия и этика, как и для квантовой механики. Мы можем (и будем) подходить к этому со статистической точки зрения.
Стохастичность — это случайность. Это качество быть случайным или непредсказуемым. Стохастический процесс — это непрерывный процесс, в котором следующее состояние может зависеть как от предыдущих состояний, так и от некоторого случайного элемента.
В стохастическом процессе будущее поведение системы не полностью определяется ее текущим состоянием или какими-либо предыдущими состояниями, а скорее зависит от случайности или случайности. Случайность в стохастическом процессе может возникать из множества источников, таких как внешний шум или внутренняя изменчивость самой системы.
Напротив, в детерминированном процессе существует одна траектория для каждого подмножества начальных условий. Будущее поведение системы полностью определяется ее нынешним состоянием и фиксированным правилом или уравнениями, управляющими ее эволюцией. В детерминированном процессе нет случайности или вероятностного поведения.
Стоит отметить, что, хотя стохастические процессы по своей природе случайны, они все же могут демонстрировать некоторую степень предсказуемости. Случайность в стохастическом процессе можно понимать как возникновение непредсказуемых событий в рамках набора вероятностных правил или уравнений, управляющих поведением системы.
В Калифорнийском университете в Беркли был проведен увлекательный эксперимент со студентами бакалавриата. Одну группу студентов попросили подбросить монету 100 раз и записать результаты, в то время как другую группу попросили предсказать, как могут выглядеть результаты 100 подбрасываний монеты без фактического подбрасывания монеты. Вторая группа просто записала последовательность «орла» и «решки» таким образом, который, по их мнению, выглядел случайным.
Эксперимент был разработан, чтобы исследовать разницу между фактической случайностью и человеческой интуицией случайности. Результаты эксперимента оказались неожиданными: у группы, которая сама подбрасывала монеты, было больше последовательно выпавших орлов и решек, чем у группы, которая просто записывала свои прогнозы. Это говорит о том, что люди склонны избегать длинных серий последовательных результатов при попытке создать случайную последовательность, что приводит к менее случайным последовательностям, чем те, которые генерируются действительно случайными процессами.
С тех пор эксперимент стал классическим примером проблем понимания случайности и важности использования правильных статистических методов, чтобы отличить истинную случайность от искусственных закономерностей, созданных человеческими предубеждениями.
В стохастической системе невозможно точно предсказать точный результат, но можно оценить вероятность возникновения определенных результатов или последовательностей.
def roll(): return 3
Это детерминированная функция. Она всегда будет возвращать 3. Ниже мы видим функцию, которая наследует случайность. Он возвращает случайно выбранное значение.
import random def roll(): return random.choice([1,2,3,4,5,6]) def roll_consecutive(n = 5): result = [] for i in range(n): result.append(roll()) return result print(roll_consecutive()) #[4, 5, 3, 1, 4]
Мы можем применить некоторые методы для анализа того, имеют ли наши данные стохастические характеристики.
- Мы можем исследовать источники случайности. Стохастический процесс характеризуется наличием случайных или непредсказуемых факторов, влияющих на его поведение. Мы можем искать источники случайности в системе, такие как эффекты шума, ошибки измерения или естественная изменчивость.
import numpy as np import matplotlib.pyplot as plt # a random dataset np.random.seed(42) data = np.random.normal(loc=0, scale=1, size=1000) plt.plot(data) plt.title("Randomly Generated Dataset") plt.xlabel("Data Point") plt.ylabel("Value") plt.show() print("Mean: ", np.mean(data)) print("Variance: ", np.var(data)) print("Min value: ", np.min(data)) print("Max value: ", np.max(data)) """ Mean: 0.01933205582232549 Variance: 0.9579049897315173 Min value: -3.2412673400690726 Max value: 3.852731490654721 """
Если набор данных демонстрирует высокую степень изменчивости или если есть выбросы или экстремальные значения, это может указывать на наличие в системе случайных или непредсказуемых факторов.
Кроме того, мы можем использовать гистограммы.
plt.hist(data, bins=10) plt.show()
Мы видим, что данные распределены случайным образом вокруг среднего значения, равного 0, без каких-либо явных закономерностей или тенденций. Это говорит о том, что данные могут быть стохастическим процессом, поскольку нет детерминированных факторов, влияющих на поведение данных.
- Мы можем проверить шаблоны. Стохастические процессы обычно демонстрируют закономерности или тенденции, которые лучше всего описываются статистическими моделями. Мы можем искать закономерности в данных, такие как колебания или случайные вариации, которые нельзя объяснить детерминированными факторами.
import numpy as np import matplotlib.pyplot as plt # Generate a random time series with both deterministic and stochastic components t = np.arange(0, 10, 0.1) # time points y_det = np.sin(t) # deterministic component y_stoch = np.random.normal(0, 0.5, len(t)) # stochastic component y = y_det + y_stoch # combined signal plt.plot(t, y, label='Observed') plt.plot(t, y_det, label='Deterministic') plt.xlabel('Time') plt.ylabel('Amplitude') plt.legend() plt.show()
# Compute the autocorrelation of the time series corr = np.correlate(y, y, mode='same') / len(y) # normalize correlation lags = np.arange(-len(y)//2, len(y)//2) plt.plot(lags, corr) plt.xlabel('Lag') plt.ylabel('Autocorrelation') plt.show()
- Мы можем использовать статистические тесты. Чтобы определить, является ли процесс стохастическим, можно использовать различные статистические тесты. Например, критерий согласия можно использовать для сравнения наблюдаемых данных с теоретическим распределением вероятностей и определения того, является ли процесс случайным или детерминированным.
import numpy as np import matplotlib.pyplot as plt from scipy.stats import chi2 # a stochastic process stochastic = np.random.normal(loc=0, scale=1, size=1000) # a deterministic process deterministic = np.arange(1000) # Plot the data fig, axs = plt.subplots(1, 2, figsize=(10, 4)) axs[0].plot(stochastic) axs[0].set_title('Stochastic Process') axs[1].plot(deterministic) axs[1].set_title('Deterministic Process') plt.show()
from scipy.stats import kstest deterministic_pvalue = kstest(deterministic, 'norm')[1] stochastic_pvalue = kstest(stochastic, 'norm')[1] print(f"Deterministic p-value: {deterministic_pvalue}") print(f"Stochastic p-value: {stochastic_pvalue}") """ Deterministic p-value: 0.0 Stochastic p-value: 0.17549925076152395 """
Стохастичность также важна в машинном обучении и глубоком обучении. Это обеспечивает гибкость и обобщение в модели. Это вносит случайность в процесс обучения, что помогает модели избежать переобучения и улучшить обобщение. Стохастические методы также могут помочь улучшить скорость сходимости и оптимизировать процесс обучения.
Например, мы используем отсев — метод регуляризации, применяемый в глубоких нейронных сетях для предотвращения переобучения. Во время обучения отсев случайным образом обнуляет часть активаций нейронов. Это заставляет сеть изучать более надежные функции и не позволяет ей слишком полагаться на определенные нейроны.
В заключение знаменитая цитата Эйнштейна «Бог не бросает кости» отражает детерминистский взгляд на физический мир. Однако появление квантовой механики и стохастичности бросило вызов этому представлению. Стохастические процессы, связанные со случайностью и непредсказуемостью, являются важным аспектом многих природных явлений и сложных систем. Понимание и моделирование стохастичности имеет решающее значение в различных областях, включая финансы, экономику, физику, биологию и машинное обучение.
Читать далее
Источники
https://www.youtube.com/watch?v=-1BnXEwHUok&t=309
https://www.youtube.com/watch?v=V2fXrxqnGr4
https://www.youtube.com/watch?v=LElyagQ0n_g
Дополнительные материалы на PlainEnglish.io.
Подпишитесь на нашу бесплатную еженедельную рассылку новостей. Подпишитесь на нас в Twitter, LinkedIn, YouTube и Discord .