| |
нейронов, каждый из к-рых имеет синаптические контакты примерно с 600 другими
нейронами. Фактически в любом конкретном поведенческом акте может участвовать
буквально вся толща и поверхность головного мозга: «хотя можно локализовать
основные, элементарные навыки, все наблюдаемое поведение являет собой сложное
взаимодействие множества таких элементарных форм, так что головной мозг как
единое целое принимает участие в большинстве поведенческих актов».
Чтобы понять, как работает мозг (и, возможно, вся ЦНС), необходимо
осмыслить его как единое целое. Однако в силу ограничений теории, накопленных
знаний и, быть может, пределов наших способностей мы должны приближаться к
пониманию целого через изучение его составных частей, рассматривая их на разных
уровнях и с разных т. зр. Т. о., полное понимание устройства и работы ЦНС лежит
за рамками какой-то одной дисциплины. Психологи предложили и развили ряд
моделей сознания (mind), совместимых с известными фактами о функционировании
мозга. Пользуясь открытиями в области нейронауки, они разрабатывают модели
поведения чел. и, как правило, вносят вклад в понимание связей между мозгом и
поведением путем исслед. в области эксперим. и клинической нейропсихологии.
Нейропсихологи-экспериментаторы давно уже изучают такие проблемы, как
расстройства поведения, вызванные контролируемыми разрушениями и др.
повреждениями ткани ЦНС у животных. Нейропсихологи-клиницисты все чаще
принимают во внимание качественные и количественные аспекты поведения при
выполнении специальных заданий, чтобы определить (дедуктивно или индуктивно)
вероятное место и характер поражений мозговой ткани у людей. Точность таких
оценок достигла весьма высокого уровня, и поведенческое картирование различных
форм прочности и недостаточности находит все большее применение в лечении и
реабилитационных мероприятиях.
См. также Гипоталамус, Головной мозг, Лимбическая система, Ретикулярная
активизирующая система, Черепные нервы
Р. Энфилд
Центральная предельная теорема (central limit theorem)
Ц. п. т. касается распределения линейной композиции (или, проще, суммы)
случайных величин. Y яв-ся линейной композицией множества переменных (X1, Х2,
Х3 и т. д.), если Y = a1Х1 + а2Х2 + а3Х3 + ..., где ai — соответствующие веса
переменных. Напр., если Y = 3Х1 + 4Х2, то а1 = 3, а а2 = 4. Согласно Ц. п. т.,
форма распределения Y начинает приобретать все большее сходство с нормальным
распределением по мере увеличения числа входящих в такую линейную композицию
переменных. В более точной формулировке Ц. п. т. гласит, что составная
случайная величина Y имеет асимптотически нормальное распределение, когда число
образующих ее переменных стремится к бесконечности. Ц. п. т. яв-ся одним из
главных оснований регулярного использования психологами и статистиками
нормального распределения. Отметим, что эта теорема не требует нормального
распределения случайных величин, являющихся линейными составными элементами
сложной случайной величины Y. Y асимптотически нормально распределена, даже
если образующие ее переменные имеют распределения, принципиально отличающиеся
от нормального. Возможно, это проще всего пояснить на примере линейной
композиции исходов бросания монеты. Допустим, что подбрасывается правильная
(симметричная) монета и случайное выпадение «орла» отмечается нулем (0), а
случайное выпадение «решки» — единицей (1). Этот эксперимент имеет два
возможных исхода, и оба они равновероятны. Если мы обозначим исход эксперимента
через X, то можно принять, что Р (X = 0) = 0,5 и Р (X = 1) = 0,5. Распределение
случайной величины X изображено на рис. 1.
Рис. 1. Распределение X.
Повторим этот простой эксперимент десять раз, получая значения для X1, Х2,
Х3 ... Х10. Каждый из X имеет одинаковое распределение. Можно создать новую
переменную, являющуюся линейной композицией X. Пусть Y = X1 + Х2 + X3 + ... +
Х10. Y представляет собой число «решек» в десяти бросаниях правильной монеты, а
его распределение показано на рис. 2. Отметим, что всего лишь с 10 переменными
в нашей линейной композиции распределение Y имеет бесспорное сходство с
нормальным распределением. Если бы монета была подброшена 1000 раз,
распределение суммы исходов (Y) стало бы практически неотличимым от нормального
распределения.
Рис. 2. Распределение Y.
Часто знакомство с Ц. п. т. происходит на уровне ее частного случая,
касающегося распределения выборочного среднего. Выборочное среднее представляет
собой линейную композицию полученных на конкретной выборке замеров с весовыми
коэффициентами 1 / N, где N — объем выборки. Если N достаточно велико,
распределение выборочного среднего будет нормальным и тогда нормальное
распределение можно использовать как для получения интервальных оценок
генерального среднего, так и для проверки гипотез в отношении выборочного
среднего. Обычно исследователи делают допущение, что выборочное среднее имеет
нормальное распределение при N ? 30, однако то, насколько быстро распределение
приближается к нормальному, зависит еще и от того, в какой степени
распределения составных элементов (X) соответствуют нормальному. Если значения
X распределены нормально, то их среднее всегда будет иметь нормальное
распределение. Если распределение значений X сильно отличается от нормального,
то для обоснованного применения Ц. п. т. может потребоваться выборка, объем
которой (N) значительно больше 30.
|
|
