История теории вероятностей и статистики

Джероламо Кардано, заядлый игрок, написал первый анализ шансов игры в кости, хотя книга пролежала неизданной век.

На вопрос, почему девять и десять выпадают по-разному на трёх костях, Галилей вычислил точные числа — раннее упражнение в вероятности.

Игроцкая головоломка о шансах в костях, поставленная Паскалю, зажгла переписку, превратившую азартные игры в математическую науку.

Анализируя лондонские бюллетени смертности, Граунт основал демографию и статистическое изучение населения по сырым данным.

Решая, как разделить ставки прерванной игры, письма Паскаля и Ферма основали математическую теорию вероятностей.

Его «Искусство предположений» доказало закон больших чисел: наблюдаемые частоты сходятся к истинным вероятностям с ростом числа испытаний.

Христиан Гюйгенс написал первый печатный учебник по вероятности, введя важнейшее понятие математического ожидания.

Этот влиятельный трактат первым взвесил и вероятность, и величину исходов — зародыш идеи математического ожидания.

Де Муавр открыл нормальную кривую как предел бросания монеты и дал раннюю центральную предельную теорему — и математику ренты.

Анализ карточных и игровых задач Пьера Ремона де Монмора продвинул комбинаторику и вдохновил позднейшие труды де Муавра.

Разрешая Санкт-Петербургский парадокс, он утверждал, что деньги ценят по полезности, а не по величине — основав теорию решений и экономику риска.

Его посмертная теорема показала, как обновлять убеждения по данным, — основа байесовского вывода, применяемого сегодня повсюду.

Лаплас построил аналитическую теорию вероятностей, доказал общую центральную предельную теорему и применил вывод к астрономии и обществу.

Ричард Прайс опубликовал эссе Байеса об обратной вероятности, дав правило рассуждать от следствий к их вероятным причинам.

Опыт Бюффона, оценивавший π бросанием иглы на разлинованный лист, основал геометрическую вероятность и предвосхитил методы Монте-Карло.

Трактат Лапласа объединил век результатов и сделал вероятность мощной математической наукой о неопределённости и ошибке.

Чтобы отследить потерянный астероид, Гаусс усовершенствовал метод наименьших квадратов и нормальное распределение ошибок — рабочих лошадок подгонки данных.

Распределение редких событий Пуассона — от судебных ошибок до радиоактивного распада — остаётся одной из полезнейших моделей статистики.

Кетле применил колоколообразную кривую к человеческим признакам, придумав «среднего человека» и статистическое изучение общества.

Лежандр первым опубликовал метод наименьших квадратов для подгонки кривых к данным — рабочую лошадку регрессии по сей день.

Ирене-Жюль Бьенеме сформулировал неравенство, позже названное именем Чебышёва, и прояснил свойства дисперсии сумм величин.

Неравенство Пафнутия Чебышёва и строгое доказательство закона больших чисел основали влиятельную русскую школу теории вероятностей.

Гальтон открыл регрессию к среднему и корреляцию, превратив изучение наследственности в количественное статистическое предприятие.

Пирсон создал значительную часть аппарата статистики — коэффициент корреляции, критерий хи-квадрат — и основал её первый журнал.

Пивовар Guinness, Госсет изобрёл t-критерий для малых выборок и опубликовал его под псевдонимом, прославившим «t Стьюдента».

Основатель современной статистики дал нам метод максимального правдоподобия, планирование экспериментов, дисперсионный анализ и проверку значимости.

Удни Юл расширил корреляцию до множественной регрессии, дав социальным наукам инструмент распутывать сразу несколько причин.

Александр Ляпунов дал центральной предельной теореме первое строгое общее доказательство, объяснив вездесущность колоколообразной кривой.

Теория меры Эмиля Бореля и усиленный закон больших чисел дали строгий язык, на котором Колмогоров построит свои аксиомы.

Норберт Винер построил строгую математическую модель броуновского движения, основав теорию случайных процессов в непрерывном времени.

Книга Фишера сделала рандомизацию и контролируемое сравнение золотым стандартом научного доказательства — от агрономии до медицины.

Колмогоров обосновал вероятность на теории меры, наконец дав предмету строгие аксиомы и объединив его с современной математикой.

Три аксиомы этой небольшой книги превратили вероятность в вполне строгую ветвь математики, применяемую во всех количественных областях.

Ежи Нейман и Эгон Пирсон представили проверку гипотез как выбор между ошибками, определив доверительные интервалы, что учат и сегодня.

Бруно де Финетти доказывал, что вероятность — это степень уверенности, оправданная когерентными ставками — философское ядро современного байесианства.

Абрахам Вальд переосмыслил статистику как принятие решений в условиях неопределённости и изобрёл последовательный анализ, рождённый военным контролем качества.

Клод Шеннон измерил информацию в битах и связал её с вероятностью и энтропией, основав теорию всей цифровой связи.

Джон Нэш доказал, что у каждой конечной игры есть равновесие, дав экономике и вероятности строгую теорию стратегической неопределённости.

Цепи Маркова — процессы, где будущее зависит лишь от настоящего — лежат в основе моделирования от генетики до веб-поиска.

Улам и фон Нейман использовали случайную выборку на ранних компьютерах для задач, неразрешимых точно, — теперь это важно во всей науке.

Их систематическая методология ARIMA сделала прогноз по временным рядам практичным, определив эконометрику и операции на десятилетия.

Применив стохастическое исчисление к оценке опционов, эта модель переделала финансы и сделала вероятность центральной для мировых рынков.

Тьюки стал пионером разведочного анализа данных и быстрого преобразования Фурье и придумал сами слова «бит» и «software».

Метод повторной выборки Брэдли Эфрона позволил компьютерам оценивать неопределённость по одним данным, освободив статистику от ограничивающих формул.

Теория обобщения Вапника и метод опорных векторов дали машинному обучению прочное вероятностное и геометрическое основание.

Причинные графы и do-исчисление Джудеа Пёрла дали статистике строгий язык причин и следствий за пределами простой корреляции.

Когда глубокие сети на огромных наборах данных превосходят рукотворные модели, вероятность и статистика становятся двигателем современного ИИ.