Резкие скачки, которые не стоит принимать на веру

28.06.2026 · 5 мин

Помните тот момент, когда вы смотрите на график, а там — ровный горб, а потом бац, резкий обрыв? Или пик precisely на круглом числе — 95%, 30%, 0.05? Знакомая картина? Мне — да. И всякий раз, когда я такое вижу, у меня включается режим «подожди-ка».

Дэн Лью (Dan Luu) написал отличную статью Suspicious Discontinuities, где собрал коллекцию таких подозрительных скачков из самых разных областей. От финансовых рынков до выборов, от научных публикаций до школьных оценок. Зацепило.

Что такое подозрительная дискретность

Дискретность (discontinuity) — это резкое изменение значения в определённой точке. Само по себе это нормально. Если человек переходит порог зарплаты и теряет право на субсидию — это дискретность. Проблема в том, когда дискретность выглядит неестественно.

РАСПРЕДЕЛЕНИЕ ДАННЫХ: СИГНАЛ vs. АРТЕФАКТ
══════════════════════════════════════════
                    НОРМАЛЬНОЕ
  ▄▄▄▄▄▄▄▄▄▄▄▄▄▄▄▄▄▄▄▄▄▄▄▄▄▄▄▄▄▄▄▄▄▄▄▄▄▄▄▄
  █    ▄▄▄▄▄▄▄▄▄▄▄▄▄▄▄▄▄▄▄▄▄▄▄▄▄▄▄    █
  █ ▄▄▄██                ▄▄▄▄▄▄▄▄    █
  ██████                    ████████ █
  ▀▀▀▀▀▀▀▀▀▀▀▀▀▀▀▀▀▀▀▀▀▀▀▀▀▀▀▀▀▀▀▀▀▀▀▀▀▀
  0  10  20  30  40  50  60  70  80  90
                    ▲
             СРЕДНЕЕ ЗНАЧЕНИЕ
──────────────────────────────────────────
               ПОДОЗРИТЕЛЬНОЕ
  ▄▄▄▄▄▄▄▄▄▄▄▄▄▄▄▄▄▄▄▄▄▄▄▄▄▄▄▄▄▄▄▄▄▄▄▄▄▄▄▄
  █                    █   █           █
  █ ▄▄▄▄▄▄▄▄▄▄▄▄▄▄▄▄▄ █   █ ▄▄▄▄▄▄▄▄▄  █
  ████████████████████ █   █ ██████████ █
  ▀▀▀▀▀▀▀▀▀▀▀▀▀▀▀▀▀▀▀▀▀▀▀▀▀▀▀▀▀▀▀▀▀▀▀▀▀▀▀
  0  10  20  30  40  50  60  70  80  90
                       ▲
              СТРАННЫЙ ПИК НА 50
Нормальное распределение плавное, артефакты создают резкие пики на круглых числах

Подозрительно выглядит, когда:

Дискретности в налоговой политике: когда меньше зарабатывать выгоднее

Самый безумный пример из статьи — американская система медицинского страхования ACA. Есть жёсткий порог дохода $48,560 для индивидуального страхования. Перешагнул — и получаешь $7,200 меньше субсидий в год.

Казалось бы, зарабатывай больше — получай больше. Но не тут-то было. Человек с доходом $55,000 фактически теряет $7,200 при переходе порога. Если он целенаправленно снизит доход до $48,560, то потеряет только часть в $6,440. Итого: на $760 больше, чем если бы он просто зарабатывал $55,000.

Звучит как анекдот, но это реальная структура стимулов. И таких порогов в американском налоговом кодексе — десятки: Medicaid, TANF, CHIP. Каждый из них создаёт участок, где работает правило «больше зарабатываешь — меньше получаешь».

Очереди и инженерные системы: плавное против резкого

В программировании naive queue (наивная очередь) работает просто: если места нет — отбрасываем, если есть — принимаем. Никаких полутонов.

NAIVE QUEUE: РЕЗКИЙ ОТБРОС
═══════════════════════════════════════════
ВХОДЯЩИЕ ЗАПРОСЫ ──▶ ┌─────────────┐
                     │   QUEUE     │──▶ ОБРАБОТКА
                     │  (заполнена)│
                     └─────────────┘
                           │
                           ▼
                     × ОТБРОШЕНЫ (100%)
──────────────────────────────────────────
ПРОБЛЕМА: Один запрос сверх лимита —
          и все начинают отбрасываться
──────────────────────────────────────────
SOLUTION: Random Early Drop
═══════════════════════════════════════════
ВХОДЯЩИЕ ──▶ ┌─────────────┐──▶ ОБРАБОТКА
             │   QUEUE     │
             │ (частично   │
             │ заполнена)  │
             └─────────────┘
                   │
     ┌─────────────┼─────────────┐
     ▼             ▼             ▼
  5% отброс    15% отброс    30% отброс
  (нагрузка    (нагрузка     (нагрузка
   60%)         80%)          95%)
Наивная очередь создаёт резкую границу, Random Early Drop распределяет отбросы равномерно

Решение — Random Early Drop (Random Early Detection, RED). Вместо резкой границы — плавное увеличение вероятности отброса. На 60% заполненности отбрасываем 5%, на 80% — уже 15%, на 95% — 30%. Никаких скачков.

Этот принцип применим не только к очередям. Он универсален: плавные переходы лучше резких порогов почти всегда.

Научные публикации: p-value как инженерная проблема

Вот где я особенно оценил анализ Лью. Если вы не знаете: p-value — это вероятность получить наблюдаемый результат при случайности. Порог 0.05 означает «считаем значимым, если шанс случайности меньше 5%».

Masicampo и компания построили гистограмму всех p-value из трёх психологических журналов. И обнаружили адскую аномалию: резкий пик сразу под 0.05. Сразу. После — провал.

Это не могло быть случайностью. Это эффект p-hacking (манипуляция с данными для достижения «значимого» результата) и publication bias (журналы охотнее публикуют исследования с p < 0.05).

Andrew Gelman и другие статистики годами борются за отказ от жёсткого порога значимости. Их аргумент прост: природа не знает про наши искусственные границы, и реальные эффекты не появляются и не исчезают в точке 0.05.

Выборы, наркотики, экзамены: паттерны везде

Лью приводит ещё несколько примеров, где дискретности раскрывают реальность:

Как проверять дискретности: практический чеклист

Лью не просто собирает примеры — он предлагает методологию. Вот что я вынес для себя:

Подозрительные дискретности — это не математическая абстракция. Это инструмент, который позволяет заглянуть за красивые цифры и увидеть реальные стимулы, ошибки сбора данных или намеренные манипуляции. Дэн Лью показал, что паттерны повторяются от выборов до экзаменов. Теперь вы знаете, куда смотреть.

Выводы

Резкие пики на порогах часто говорят не о природе процесса, а о правилах, стимулях или ошибках измерения. Если график слишком аккуратен в нужной точке, это повод копнуть глубже.

Ссылки

Дмитрий Полухин — продуктовый дизайнер. Пишу про разработку, AI и дизайн интерфейсов. Обо мне, контакты и профили.

Что почитать дальше