Гробастик что это


Робастность (англ. robustness, от robust — «крепкий», «сильный», «твёрдый», «устойчивый») — свойство статистического метода, характеризующее независимость влияния на результат исследования различного рода выбросов, устойчивости к помехам. Робастный метод — метод, направленный на выявление выбросов, снижение их влияния или исключение их из выборки.

На практике наличие в выборках даже небольшого числа резко выделяющихся наблюдений (выбросов) способно сильно повлиять на результат исследования, например, метод наименьших квадратов и метод максимального правдоподобия подвержены такого рода искажениям и значения, получаемые в результате исследования, могут перестать нести в себе какой-либо смысл. Для исключения влияния таких помех используются различные подходы для снижения влияния «плохих» наблюдений (выбросов), либо полного их исключения. Основная задача робастных методов — отличить «плохое» наблюдение от «хорошего», притом даже самый простой из подходов — субъективный (основанный на внутренних ощущениях исследователя) — может принести значительную пользу, однако для мотивированной отбраковки все же исследователями применяются методы, имеющие в своей основе некие строгие математические обоснования. Этот процесс представляет собой весьма нетривиальную задачу для статистика и определяет собой одно из направлений статистической науки.

Понятие робастности


Под робастностью в статистике понимают нечувствительность к различным отклонениям и неоднородностям в выборке, связанным с теми или иными, в общем случае неизвестными, причинами[1][2]. Это могут быть ошибки детектора, регистрирующего наблюдения, чьи-то добросовестные или намеренные попытки «подогнать» выборку до того, как она попадёт к статистику, ошибки оформления, вкравшиеся опечатки и многое другое. Например, наиболее робастной оценкой параметра сдвига закона распределения является медиана, что на интуитивном уровне вполне очевидно (для строгого доказательства следует воспользоваться тем, что медиана является усечённой М-оценкой, см. ниже)[1]. Помимо непосредственно «бракованных» наблюдений также может присутствовать некоторое количество наблюдений, подчиняющихся другому распределению. Ввиду условности законов распределений, а это не более, чем модели описания, сама по себе выборка может содержать некоторые расхождения с идеалом.


Тем не менее, параметрический подход настолько вжился, доказав свою простоту и целесообразность, что нелепо от него отказываться. Поэтому и возникла необходимость приспособить старые модели к новым задачам.

Стоит отдельно подчеркнуть и не забывать, что отбракованные наблюдения нуждаются в отдельном, более пристальном внимании. Наблюдения, кажущиеся «плохими» для одной гипотезы, могут вполне соответствовать другой. Наконец, отнюдь не всегда резко выделяющиеся наблюдения являются «браком». Одно такое наблюдение для генной инженерии, к примеру, стоит миллионов других, мало отличающихся друг от друга.

Основные подходы

Для того, чтобы ограничить влияние неоднородностей, либо вовсе его исключить, существует множество различных подходов. Среди них выделяются два основных направления.

  • Группировка данных без удаления отдельных наблюдений (для снижения возможности порчи выборки отдельными выпадами). После чего с достаточной степенью уверенности допустимо использование классических методов статистики.
  • Отслеживание выбросов непосредственно в процессе анализа. Например, для определения параметров закона распределения возможно использование итерационной процедуры с усечёнными или th-сниженными M-оценками[1].

Группирование данных как метод робастной статистики

Посредством группирования выборки можно резко снизить влияние отдельных наблюдений, не отбрасывая их. Разбиение на интервалы не представляет особых трудностей и даёт весьма ощутимый результат. Существует три наиболее распространённых способа разбиения.

  • Разбиение на интервалы равной длины. Наиболее простой и потому распространённый способ.

  • Разбиение на интервалы равной вероятности, также называемое равночастотным группированием, что отражает практическую реализацию этого метода. В результате такого группирования выборки осуществляется максимизация величины информационной энтропии <math>sum{-P_i} ln{P_i}</math>, где <math>P_i = intlimits_{x_{i-1}}^{x_i} f(x) , mathrm{d} x</math> и достигается наибольшая асимптотическая мощность критерия согласия <math>chi^2</math>, либо критерия отношения правдоподобия[3].
  • Разбиение на асимптотически оптимальные интервалы. При таком разбиении минимизируются потери информации в результате группирования, то есть максимизируется фишеровская информация <math>sum left( frac{ partial ln P_i }{ partial theta } right ) ^2 P_i</math>, где <math>theta</math> — оцениваемый параметр закона. Для многих законов распределения удалось получить инвариантные относительно параметров границы интервалов, и были составлены соответствующие таблицы. Такое разбиение позволяет максимизировать мощность критерия.

Подход, основанный на функции влияния

Отдельный подход в построении робастных методов — оценивание параметров закона распределения по «засорённой» выборке с использованием подхода, предложенного Хампелем[1]. Для того, чтобы изучить влияние отдельно взятого наблюдения на оценку (рассматриваемую статистику) того или иного параметра закона распределения Хампелем вводится так называемая функция влияния (англ. influence function), которая представляет собой ни что иное, как производную этой статистики.

Основные понятия

Вводится функционал <math>T</math>, как функция от некоторой выборки <math>X=(X_1 ldots X_n) in mathbb{X}</math> из распределения <math>F</math> c параметром <math>theta in Theta</math> (оно же <math>F_theta</math>). <math>T</math> зависит от <math>X:F_theta</math>. Значит <math>T</math> является функцией от закона <math>F</math> и от параметра <math>theta</math>. Пусть <math>T</math> также удовлетворяет некоторым условиям состоятельности и регулярности:

<math>T(F) = theta, quad int T , mathrm{d} F = 0.</math>

Производная этого функционала <math>T</math> в точке с распределением <math>F</math>:

<math>exists , a: quad lim_{t to 0} frac{T((1 — t)F+t G) — T(F)}{t} := int a , mathrm{d} G ,</math>

где:

  • <math>a</math> — некая функция, смысл которой прояснится на следующем шаге;
  • <math>G</math> — некий закон распределения, отличный от <math>F</math>.

При подстановке <math>Delta_x</math>, приписывающей единичную массу событию <math>X = x</math>, вместо <math>G</math>, в результате чего от интеграла в правой части выражения останется только <math>a(x)</math>:

<math>IF = lim_{t to 0} frac{T((1 — t) F + t Delta_x) — T(F)}{t} .</math>

Эту функцию и называют функцией влияния.

Смысл функции влияния демонстрируется подстановкой <math>frac{1}{n}</math> вместо <math>t</math> и заменой предела, в результате выражение <math>F_{t,x}=(1 — t)F + t Delta_x</math> преобразуется в <math>F_{frac{1}{n},x}=frac{(n-1)F + Delta_x}{n}</math>, что соответствует ситуации, когда в выборку, состоящую из <math>(n-1)</math> наблюдения, подчиняющихся распределению <math>F</math>, добавляют ещё одно новое. Таким образом <math>IF</math> отслеживает реакцию используемого функционала <math>T</math> на внесённое добавление, показывая влияние от вклада отдельного наблюдения <math>x</math> на оценку по всей совокупности данных.


Для характеристики влияния отдельных наблюдений также вводят понятие чувствительности к большой ошибке <math>gamma</math> :

<math>gamma = sup_{x in mathbb{X}} | IF(x) | . </math>

Если функция влияния ограничена, то соответствующую оценку называют B(бэ)-робастной.

М-оценки

Наиболее эффективными и широко используемыми оценками параметров законов распределений являются оценки максимального правдоподобия (ОМП), которые определяются одним из следующих условий:

<math>sum_i ln P_i to max_{theta in Theta},qquad sum_i frac{partial ln P_i}{partial theta} = 0, qquad sum_i frac{P_i’}{P_i} = 0 ,</math>

где в случае негруппированной выборки <math>P_i=f(x_i,theta)</math>, а в случае группированной — <math>P_i=left( intlimits_{x_{i-1}}^{x_i} f(x,theta) , mathrm{d} x right)^{n_i}</math>

М-оценки — есть некое обобщение ОМП. Они определяются аналогично одним из соотношений:

<math>sum_{i=1}^N rho(x_i,theta) to max_{theta in Theta}, qquad sum_{i=1}^N phi(x_i,theta) =0 .</math>

Если наложить условие регулярности в подстановке <math> F_{t,x}=(1-t)F+tDelta_x</math> и продифференцировать его по <math>t</math> в 0:

<math.
>

то не представляет большого труда получить выражение функции влияния для M-оценок:

<math>IF=frac{-phi(x)} {int phi’_{theta} (x) , mathrm{d} F} .</math>

Указанное выражение позволяет сделать вывод о том, что M-оценки эквивалентны с точностью до ненулевого множителя-константы.

Гробастик что это

Несложно проверить, что для ОМП стандартного нормального закона распределения <math>mathcal{N}(0,1)</math> функции влияния <math>IF</math> параметра сдвига и параметра масштаба выглядят соответственно:

<math> IF = x, quad IF = frac{1}{2} ; x^2 — frac{1}{2} .</math>

Эти функции неограничены, а это значит, что ОМП не является робастной в терминах B-робастности.

Для того, чтобы это исправить, M-оценки искусственно ограничивают, а значит и ограничивают её <math>IF</math> (см. выражение <math>IF</math> для M-оценок), устанавливая верхний барьер на влияние резко выделяющихся (далеко отстоящих от предполагаемых значений параметров) наблюдений. Делается это введением так называемых усечённых M-оценок, определяемых выражением:


<math>phi_b (z)=left{ begin{array}{lr}

phi(b), & b < z \ phi(z), & -b < z leqslant b \ phi(-b), & z leqslant -b end{array}right} ,</math>

где <math>z=frac{x-theta}{S}</math>, <math>theta</math> и <math>S</math> — оценки параметров сдвига и масштаба соответственно.

Среди усечённых M-оценок оптимальными с точки зрения B-робастности являются усечённые ОМП[1].

Процедура оценивания параметров

Чтобы решить уравнение

<math>sum_{i=1}^N phi(x_i,theta) =0</math>

необходимо воспользоваться каким-либо численным методом. Для этого понадобится выбрать начальные приближения. Нулевым параметром сдвига обычно служит медиана, параметром масштаба — значение, кратное медиане отклонений от медианы.

Например, если необходимо оценить параметр сдвига, скажем, нормального закона распределения, можно воспользоваться методом Ньютона численного нахождения корней уравнения. В результате вся процедура нахождения параметра сводится к итеративному вычислению выражения:


<math>theta_{k+1}=theta_k — frac{sum_{i=1}^N phi (x_i,theta_k)}{sum_{i=1}^N phi’_theta (x_i,theta_k)}=theta_k — frac{sum_{i=1}^N phi left((x_i-theta_k)/Sright)}{sum_{i=1}^N phi’_theta left((x_i-theta_k)/Sright)}=theta_k + S frac{sum_{i=1}^N phi left(zright)}{sum_{i=1}^N phi’_z left(zright)} , </math>

где <math>S</math> — некоторая оценка параметра масштаба, используемая для уравнивания распределения с разным размахом.

См. также

  • Переобучение
  • Теорема Марелье

Ссылки

  • Додонов Ю. С., Додонова Ю. А. [psystudy.ru/index.php/num/2011n5-19/542-dodonov-dodonova19.html Устойчивые меры центральной тенденции: взвешивание как возможная альтернатива усечению данных при анализе времен ответов].
  • [www.ami.nstu.ru/~headrd/seminar/publik_html/publication.htm Публикации] по робастным методам оценивания параметров и проверке статистических гипотез на сайте профессора НГТУ Лемешко Б. Ю.

Литература

  • Robert G. Staudte: Robust estimation and testing. Wiley, New York 1990. ISBN 0-471-85547-2
  • Rand R. Wilcox: Introduction to robust estimation and hypothesis testing. Academic Press, San Diego Cal 1997. ISBN 0-12-751545-3

Отрывок, характеризующий Робастность

И, не дожидаясь ответа от посторонившегося часового, Долохов шагом поехал в гору.

осподского дома. Проехав в ворота, он слез с лошади и подошел к большому пылавшему костру, вокруг которого, громко разговаривая, сидело несколько человек. В котелке с краю варилось что то, и солдат в колпаке и синей шинели, стоя на коленях, ярко освещенный огнем, мешал в нем шомполом.
– Oh, c’est un dur a cuire, [С этим чертом не сладишь.] – говорил один из офицеров, сидевших в тени с противоположной стороны костра.
– Il les fera marcher les lapins… [Он их проберет…] – со смехом сказал другой. Оба замолкли, вглядываясь в темноту на звук шагов Долохова и Пети, подходивших к костру с своими лошадьми.
– Bonjour, messieurs! [Здравствуйте, господа!] – громко, отчетливо выговорил Долохов.
Офицеры зашевелились в тени костра, и один, высокий офицер с длинной шеей, обойдя огонь, подошел к Долохову.
– C’est vous, Clement? – сказал он. – D’ou, diable… [Это вы, Клеман? Откуда, черт…] – но он не докончил, узнав свою ошибку, и, слегка нахмурившись, как с незнакомым, поздоровался с Долоховым, спрашивая его, чем он может служить. Долохов рассказал, что он с товарищем догонял свой полк, и спросил, обращаясь ко всем вообще, не знали ли офицеры чего нибудь о шестом полку. Никто ничего не знал; и Пете показалось, что офицеры враждебно и подозрительно стали осматривать его и Долохова. Несколько секунд все молчали.
– Si vous comptez sur la soupe du soir, vous venez trop tard, [Если вы рассчитываете на ужин, то вы опоздали.] – сказал с сдержанным смехом голос из за костра.
Долохов отвечал, что они сыты и что им надо в ночь же ехать дальше.
Он отдал лошадей солдату, мешавшему в котелке, и на корточках присел у костра рядом с офицером с длинной шеей. Офицер этот, не спуская глаз, смотрел на Долохова и переспросил его еще раз: какого он был полка? Долохов не отвечал, как будто не слыхал вопроса, и, закуривая коротенькую французскую трубку, которую он достал из кармана, спрашивал офицеров о том, в какой степени безопасна дорога от казаков впереди их.
– Les brigands sont partout, [Эти разбойники везде.] – отвечал офицер из за костра.
Долохов сказал, что казаки страшны только для таких отсталых, как он с товарищем, но что на большие отряды казаки, вероятно, не смеют нападать, прибавил он вопросительно. Никто ничего не ответил.
«Ну, теперь он уедет», – всякую минуту думал Петя, стоя перед костром и слушая его разговор.
Но Долохов начал опять прекратившийся разговор и прямо стал расспрашивать, сколько у них людей в батальоне, сколько батальонов, сколько пленных. Спрашивая про пленных русских, которые были при их отряде, Долохов сказал:
– La vilaine affaire de trainer ces cadavres apres soi. Vaudrait mieux fusiller cette canaille, [Скверное дело таскать за собой эти трупы. Лучше бы расстрелять эту сволочь.] – и громко засмеялся таким странным смехом, что Пете показалось, французы сейчас узнают обман, и он невольно отступил на шаг от костра. Никто не ответил на слова и смех Долохова, и французский офицер, которого не видно было (он лежал, укутавшись шинелью), приподнялся и прошептал что то товарищу. Долохов встал и кликнул солдата с лошадьми.
«Подадут или нет лошадей?» – думал Петя, невольно приближаясь к Долохову.
Лошадей подали.
– Bonjour, messieurs, [Здесь: прощайте, господа.] – сказал Долохов.
Петя хотел сказать bonsoir [добрый вечер] и не мог договорить слова. Офицеры что то шепотом говорили между собою. Долохов долго садился на лошадь, которая не стояла; потом шагом поехал из ворот. Петя ехал подле него, желая и не смея оглянуться, чтоб увидать, бегут или не бегут за ними французы.
Выехав на дорогу, Долохов поехал не назад в поле, а вдоль по деревне. В одном месте он остановился, прислушиваясь.
– Слышишь? – сказал он.
Петя узнал звуки русских голосов, увидал у костров темные фигуры русских пленных. Спустившись вниз к мосту, Петя с Долоховым проехали часового, который, ни слова не сказав, мрачно ходил по мосту, и выехали в лощину, где дожидались казаки.
– Ну, теперь прощай. Скажи Денисову, что на заре, по первому выстрелу, – сказал Долохов и хотел ехать, но Петя схватился за него рукою.
– Нет! – вскрикнул он, – вы такой герой. Ах, как хорошо! Как отлично! Как я вас люблю.
– Хорошо, хорошо, – сказал Долохов, но Петя не отпускал его, и в темноте Долохов рассмотрел, что Петя нагибался к нему. Он хотел поцеловаться. Долохов поцеловал его, засмеялся и, повернув лошадь, скрылся в темноте.

Х
Вернувшись к караулке, Петя застал Денисова в сенях. Денисов в волнении, беспокойстве и досаде на себя, что отпустил Петю, ожидал его.
– Слава богу! – крикнул он. – Ну, слава богу! – повторял он, слушая восторженный рассказ Пети. – И чег’т тебя возьми, из за тебя не спал! – проговорил Денисов. – Ну, слава богу, тепег’ь ложись спать. Еще вздг’емнем до утг’а.
– Да… Нет, – сказал Петя. – Мне еще не хочется спать. Да я и себя знаю, ежели засну, так уж кончено. И потом я привык не спать перед сражением.
Петя посидел несколько времени в избе, радостно вспоминая подробности своей поездки и живо представляя себе то, что будет завтра. Потом, заметив, что Денисов заснул, он встал и пошел на двор.
На дворе еще было совсем темно. Дождик прошел, но капли еще падали с деревьев. Вблизи от караулки виднелись черные фигуры казачьих шалашей и связанных вместе лошадей. За избушкой чернелись две фуры, у которых стояли лошади, и в овраге краснелся догоравший огонь. Казаки и гусары не все спали: кое где слышались, вместе с звуком падающих капель и близкого звука жевания лошадей, негромкие, как бы шепчущиеся голоса.
Петя вышел из сеней, огляделся в темноте и подошел к фурам. Под фурами храпел кто то, и вокруг них стояли, жуя овес, оседланные лошади. В темноте Петя узнал свою лошадь, которую он называл Карабахом, хотя она была малороссийская лошадь, и подошел к ней.
– Ну, Карабах, завтра послужим, – сказал он, нюхая ее ноздри и целуя ее.
– Что, барин, не спите? – сказал казак, сидевший под фурой.
– Нет; а… Лихачев, кажется, тебя звать? Ведь я сейчас только приехал. Мы ездили к французам. – И Петя подробно рассказал казаку не только свою поездку, но и то, почему он ездил и почему он считает, что лучше рисковать своей жизнью, чем делать наобум Лазаря.
– Что же, соснули бы, – сказал казак.
– Нет, я привык, – отвечал Петя. – А что, у вас кремни в пистолетах не обились? Я привез с собою. Не нужно ли? Ты возьми.
Казак высунулся из под фуры, чтобы поближе рассмотреть Петю.
– Оттого, что я привык все делать аккуратно, – сказал Петя. – Иные так, кое как, не приготовятся, потом и жалеют. Я так не люблю.
– Это точно, – сказал казак.
– Да еще вот что, пожалуйста, голубчик, наточи мне саблю; затупи… (но Петя боялся солгать) она никогда отточена не была. Можно это сделать?
– Отчего ж, можно.
Лихачев встал, порылся в вьюках, и Петя скоро услыхал воинственный звук стали о брусок. Он влез на фуру и сел на край ее. Казак под фурой точил саблю.
– А что же, спят молодцы? – сказал Петя.
– Кто спит, а кто так вот.
– Ну, а мальчик что?
– Весенний то? Он там, в сенцах, завалился. Со страху спится. Уж рад то был.
Долго после этого Петя молчал, прислушиваясь к звукам. В темноте послышались шаги и показалась черная фигура.
– Что точишь? – спросил человек, подходя к фуре.
– А вот барину наточить саблю.
– Хорошее дело, – сказал человек, который показался Пете гусаром. – У вас, что ли, чашка осталась?
– А вон у колеса.
Гусар взял чашку.
– Небось скоро свет, – проговорил он, зевая, и прошел куда то.
Петя должен бы был знать, что он в лесу, в партии Денисова, в версте от дороги, что он сидит на фуре, отбитой у французов, около которой привязаны лошади, что под ним сидит казак Лихачев и натачивает ему саблю, что большое черное пятно направо – караулка, и красное яркое пятно внизу налево – догоравший костер, что человек, приходивший за чашкой, – гусар, который хотел пить; но он ничего не знал и не хотел знать этого. Он был в волшебном царстве, в котором ничего не было похожего на действительность. Большое черное пятно, может быть, точно была караулка, а может быть, была пещера, которая вела в самую глубь земли. Красное пятно, может быть, был огонь, а может быть – глаз огромного чудовища. Может быть, он точно сидит теперь на фуре, а очень может быть, что он сидит не на фуре, а на страшно высокой башне, с которой ежели упасть, то лететь бы до земли целый день, целый месяц – все лететь и никогда не долетишь. Может быть, что под фурой сидит просто казак Лихачев, а очень может быть, что это – самый добрый, храбрый, самый чудесный, самый превосходный человек на свете, которого никто не знает. Может быть, это точно проходил гусар за водой и пошел в лощину, а может быть, он только что исчез из виду и совсем исчез, и его не было.
Что бы ни увидал теперь Петя, ничто бы не удивило его. Он был в волшебном царстве, в котором все было возможно.
Он поглядел на небо. И небо было такое же волшебное, как и земля. На небе расчищало, и над вершинами дерев быстро бежали облака, как будто открывая звезды. Иногда казалось, что на небе расчищало и показывалось черное, чистое небо. Иногда казалось, что эти черные пятна были тучки. Иногда казалось, что небо высоко, высоко поднимается над головой; иногда небо спускалось совсем, так что рукой можно было достать его.
Петя стал закрывать глаза и покачиваться.
Капли капали. Шел тихий говор. Лошади заржали и подрались. Храпел кто то.
– Ожиг, жиг, ожиг, жиг… – свистела натачиваемая сабля. И вдруг Петя услыхал стройный хор музыки, игравшей какой то неизвестный, торжественно сладкий гимн. Петя был музыкален, так же как Наташа, и больше Николая, но он никогда не учился музыке, не думал о музыке, и потому мотивы, неожиданно приходившие ему в голову, были для него особенно новы и привлекательны. Музыка играла все слышнее и слышнее. Напев разрастался, переходил из одного инструмента в другой. Происходило то, что называется фугой, хотя Петя не имел ни малейшего понятия о том, что такое фуга. Каждый инструмент, то похожий на скрипку, то на трубы – но лучше и чище, чем скрипки и трубы, – каждый инструмент играл свое и, не доиграв еще мотива, сливался с другим, начинавшим почти то же, и с третьим, и с четвертым, и все они сливались в одно и опять разбегались, и опять сливались то в торжественно церковное, то в ярко блестящее и победное.
«Ах, да, ведь это я во сне, – качнувшись наперед, сказал себе Петя. – Это у меня в ушах. А может быть, это моя музыка. Ну, опять. Валяй моя музыка! Ну!..»
Он закрыл глаза. И с разных сторон, как будто издалека, затрепетали звуки, стали слаживаться, разбегаться, сливаться, и опять все соединилось в тот же сладкий и торжественный гимн. «Ах, это прелесть что такое! Сколько хочу и как хочу», – сказал себе Петя. Он попробовал руководить этим огромным хором инструментов.
«Ну, тише, тише, замирайте теперь. – И звуки слушались его. – Ну, теперь полнее, веселее. Еще, еще радостнее. – И из неизвестной глубины поднимались усиливающиеся, торжественные звуки. – Ну, голоса, приставайте!» – приказал Петя. И сначала издалека послышались голоса мужские, потом женские. Голоса росли, росли в равномерном торжественном усилии. Пете страшно и радостно было внимать их необычайной красоте.
С торжественным победным маршем сливалась песня, и капли капали, и вжиг, жиг, жиг… свистела сабля, и опять подрались и заржали лошади, не нарушая хора, а входя в него.

Источник: wiki-org.ru

Пастрами

На рубеже XIX и XX веков Америку наводнили эмигранты из Европы, и все они привозили с собой часть своей кулинарной культуры. Немцы — колбасные технологии, ирландцы — солонину, итальянцы — салями и так далее. Еврейские эмигранты ответственны за появление нового мясного деликатеса — пастрами.

Легенда гласит, что впервые пастрами приготовил в своей мясной лавке в Нью-Йорке человек по имени Суссман Волк, литовский эмигрант, которому подсказал рецепт его приятель, иммигрант из Румынии. Оттуда уже слава пастрами разнеслась по всему Нью-Йорку ну и далее по всему миру. Название, скорее всего, получилось путем обыгрывания «пастромы» и итальянской «салями».

Изначально пастрами готовили из самого дешевого жирного мяса с нижней части ребер быка — то, что у американских мясников называется navel и plate. Пастрами, так же как и пастрому, выдерживают в рассоле со специями, причем для пастрами время маринования достигает двух-трех недель, потому что используются цельные, довольно крупные куски мяса. Кроме специй в рассол добавляют нитритную соль (в прошлом селитру, она же нитрат) — она отвечает не только за безопасность мяса, но и за насыщенный красный цвет, свойственный готовой пастрами. А еще в рассол добавляют сахар, в американской мясной культуре сладость — важный компонент. И если в Восточной Европе пастрому готовили, судя по всему, на огне, то нью-йоркские евреи сделали аромат копчения обязательной характеристикой нового деликатеса, используя коптилки также и для длительного приготовления при не очень высокой температуре: за счет этого изначально жесткое мясо размягчается, практически распадается на волокна. Перед копчением просоленные куски мяса щедро обсыпаются смесью специй — черного перца, кориандра, семян горчицы, чеснока и сахара. Правильно приготовленная пастрами очень мягкая внутри и имеет почти черную от медленной карамелизации поверхность. Перед подачей куски готовой пастрами разогревают на пару и нарезают тонкими ломтиками, которые затем выкладывают слоями между двух кусочков ржаного хлеба с горчицей, — так выглядит легендарный уже пастрами-сэндвич».

Источник: eda.ru

Названия близкие — продукты разные

Бастурма ведет свое происхождение из Турции и Армении. Это хорошо завяленная сырая говядина, баранина или конина, обваленная в порошке красного перца. По легенде, бастурму готовили кочевники Чингисхана, подкладывая проперченный кусок мяса под седло. В долгих конных походах мясо вялилось и служило пищей для воинов. Сегодня бастурму просто вялят в более цивилизованных условиях. В Азербайджане и Армении она очень популярна, в России — тоже известна, её обычно можно найти в гипермаркетах. Но потребляют бастурму мало, мясо часто бывает жестким, к тому же сказывается его большая цена. 

Бастурма. Фото: Shutterstock.com

Названия «пастрами» и «пастрома» тоже имеют тюркское происхождение. Возможно, что изначально это было даже одно блюдо, корни которого находят в еврейских местечках Молдавии и Румынии. Похоже, их жители переняли это блюдо от соседей, ведь эти земли долго были в составе Османской империи. Смешение кухонь разных народов, проживающих рядом, — обычная история. Отсюда это мясное блюдо с эмигрантами перекочевало в Новый свет, где окончательно оформились каноны производства пастрами. В США его делают промышленным способом, и там оно суперпопулярно. Мы все больше знаем эту страну по фастфуду, но оказывается, кроме гамбургера в Америке есть ещё и пастрами. Оттуда, с Запада, этот деликатес с восточными корнями пришел и к нам в Россию. 

Пастрами. Фото: Shutterstock.com

Одно блюдо — два варианта

Если вернуться к пастроме, то в России сегодня она присутствует в двух основных вариантах. Первый — редко встречающаяся в продаже сырокопченая или копчено-вареная свинина, курица или индейка. Ничем другим на фоне окороков, корейки и прочих подобных продуктов она принципиально не отличается. То есть название «пастрома» в данном случае фантазийное и не очень обязательное. 

Пастрома. Фото: Shutterstock.com

Вторым ее вариантом является блюдо пастрома, которое готовят дома, и его рецепты обширно представлены на просторах Сети. Для него мясо сначала обычно маринуется, а потом запекается в духовке. Так чаще всего готовят курицу и индейку, но есть и мясные рецепты. 

Пастрами и построма — различий больше, чем сходства

На возможное общее происхождение пастрами и пастромы указывает ещё и тот факт, что для обоих блюд мясо на первом этапе маринуют. Но после этого начинаются различия. Готовя пастрому дома, её маринуют лишь несколько часов. Пастрами же маринуют гораздо дольше — две недели, а потом — не запекают, а коптят. Процесс холодного копчения занимает не менее 15 часов. Далее мясо подвергают томлению. Такую обработку провести дома практически нереально. Ведь обычно мясо томят в течение двух суток в особых печах со стопроцентной влажностью и температурой около 70 градусов. Создать такие условия дома практически нереально.

«Это играет ключевую роль для того, чтобы мясо было сочным и мягким, — объясняет шеф-повар и эксперт по мясу Константин Жбаков. — Если его приготовить при обычной температуре 140-160 градусов, мясо будет сухим и грубым. Его волокна вывернутся и выдавят весь сок из мяса. Это обусловлено физическими законами. И поэтому, чем температура будет ниже и чем дольше её воздействие, тем мягче окажется мясо. Для классического пастрами берут лучшую часть грудинки, её называют шорт-плейт (блюдце). Это нежирное мясо, богатое мышечными волокнами. Из-за такой технологии процесс приготовления продолжается три недели. Это долго, но точно так же делают настоящее пастрами и на его родине в США».

Источник: aif.ru

Как работает амигдала

Миндалевидное тело, или амигдала, участвует в формировании эмоций, в том числе таких сильных, как страх, и придает эмоциональную окраску входящей информации. Активизирование миндалевидного тела может вызвать быстрый взгляд привлекательного человека или суровая критика начальника. Зачастую оно выступает как своеобразная «тревожная кнопка».

Человек может ощутить опасность еще до того, как подумает о том, что вызывает у него чувство тревоги. За долю секунды миндалевидное тело посредством норадреналина возбуждает электрические импульсы во всей симпатической нервной системе и стимулирует работу надпочечников, которые тут же выбрасывают в кровь адреналин.

Вот пример. Допустим, вы отправляетесь в отпуск и вдруг слышите по радио, что в городе, куда вы едете, объявлено чрезвычайное положение: надвигается стихия. Вы подъехали уже совсем близко, поэтому попали под сильнейший дождь. В какой-то момент вы стоит на обочине, и на машину падает ветка от дерева, что заставляет вас волноваться еще сильнее.

Несколько месяцев спустя во время сильного дождя вы ощущаете прилив беспокойства. Вы не отдаете себе отчета в том, что вызвало это чувство, но ваше миндалевидное тело помнит все очень хорошо. И раз за разом предупреждает вас о возможной опасности. Проблема в том, что не каждый ливень смертельно опасен. А ваш мозг теперь «считает», что это именно так и есть.

Человек в состоянии управлять миндалевидным телом и не впадать в состояние ненужного нервного возбуждения, когда требуется сохранять спокойствие.

Укрощение амигдалы в действии

Человек не может обойтись без миндалевидного тела вовсе. Эта доля мозга создает эмоциональную реакцию в целом, а не только отвечает за страх. Миндалевидное тело не должно быть «заблокировано» целиком, оно должно работать на благо организма. Отсюда и термин — укрощение.

Если человек постоянно испытывает стресс, то в кровь выбрасывается много кортизола, а это приводит к плохому самочувствию и даже расстройствам памяти. Кроме того, при хроническом стрессе отложение жира происходит в районе живота. У людей с тревожными расстройствами часто отмечается повышенная активность правой лобной доли. Левая лобная доля ориентирована на действия, в то время как правая — на пассивное поведение.

Однако существуют методы блокировать ложную тревогу до того, как она станет деструктивной.

Нейрофизиологи доказали, что умеренный стресс полезен. Но здесь очень важна золотая середина. Вместо того чтобы избегать тревожности, лучше встретиться с ней лицом к лицу и научиться управлять ею себе во благо.

Как управлять чувством тревожности

Любой человек в состоянии перенастроить свой мозг. Вот пять действенных способов, которые научат вас управлять миндалевидным телом.

1. Не пытайтесь все контролировать

Стремясь контролировать происходящее, чтобы избежать тревожности, вы попадаете в ловушку того, что постоянно пытаетесь предвидеть будущее: вы пытаетесь предсказать, что могло бы случиться, и готовитесь к ситуации, которая, возможно, никогда и не произойдет. Постепенно вы начнете придумывать все больше потенциально неприятных ситуаций и станете ограничивать свою активность, чтобы случайно не столкнуться со всеми «ужасами». В итоге ваш собственный мир станет меньше, а опасностей появится все больше.

2. Не прокрастинируйте

Усилению ощущения тревожности способствует и прокрастинация. Откладывая неприятное дело, вы (ошибочно!) думаете, что это облегчит ситуацию. Но мозг все равно ждет, когда с вами случится ЭТО. И именно ожидание заставляет вас быть «взвинченным» и на нервах. Чем дольше вы откладываете что-то на потом, тем сильнее будет беспокойство.

3. Используйте принцип «преодоления парадокса»

Необходимо сопротивляться соблазну избегать неприятных ситуаций, даже если кажется, что так будет лучше. Это называется принципом преодоления парадокса. Ведь если человек стремится избегать любого стресса, то, когда он сталкивается с малейшим раздражающим фактором, даже с намеком на неприятную ситуацию, он испытывает очень серьезный стресс. Согласитесь, если бы у нас вовсе не было тревожности, тогда мы не старались хорошо сделать свою работу и не опаздывать на важные встречи. Небольшой стресс в малых дозах уменьшает общую тревожность.

4. Создавайте позитивные ассоциации

Гиперчувствительность миндалевидного тела притупляется каждый раз, когда человек попадает в потенциально опасную ситуацию, но ничего плохого не происходит. Чем чаще вы будете тренировать свою амигдалу, тем быстрее сформируются новые ассоциации, которые уже не будут связаны с неприятными чувствами. А если подключить и мыслительный процесс (например, говорить себе: «Ух ты! Как здорово выступать перед публикой»), то «укрощение» амигалы пройдет еще быстрее.

5. Научитесь техникам контроля дыхания

Разные типы дыхания определяют разное эмоциональное состояние. Человек, испытывающий хронический стресс, дышит чаще, сам того не замечая. Также могут присоединяться симптомы панической атаки (страх, учащенное сердцебиение, онемение, обморочному состоянию). Научитесь правильно дышать, чтобы этого избежать.

У каждого из нас в жизни бывают моменты беспокойства и сложные периоды. Недавние научные открытия позволяют нам перепрограммировать свой мозг, чтобы пережить тяжелые времена и свести неприятные последствия к минимуму.

P.S. Понравилось? Подписывайтесь на нашу полезную рассылку. Раз в две недели присылаем подборку лучших статей из блога.

По материалам книги «Укрощение амигдалы»

Источник: blog.mann-ivanov-ferber.ru

Культурные русские люди не матерятся, поскольку в России обильный мат всегда был маркером низших социальных классов. Однако если уж Вам приспичило выругаться, то давайте будем ругаться не как мертвые дети всемирной глобализации, а как настоящие русские люди! Серьезно, наши русские исконные «визгопряха» или там «елдыга» проймут даже самых привычных к ругани трудящихся.

Старинные русские ругательства:
Ащеул — пересмешник, зубоскал.
Баба-ветрогонка — вздорная (нар.)
Баляба — рохля, разиня (арх.)
Баламошка — дурачок, полоумный, зряшный
Балахвост — волокита (о мужчине) (диал.)
Басалай — грубиян (от «баса» и «лай» — «красиво лаяться») (волог.)
Безпелюха — неряха, рохля, разиня (ур.)
Безсоромна баба — бесстыжая (нар.)
Белебеня — пустоплет (кур.)
Бзыря — бешеный повеса, шатун (нар.)
Бобыня — надутый, чванливый (тул., влад.)
Божевольный — худоумный, дурной (стар.)
Божедурье — природный дурак (стар.)
Болдырь — пузырь, надутый (нар.)
Блудоум — волокита, несмысел (нар.)
Блудяшка — гуляка (диал.)
Бредкий — говорливый, болтливый (от «бред»)
Брыдлый — гадкий, вонючий (стар.)
Буня — спесивый, чванливый (ряз., тамб.)
Буслай — мот, гуляка (др. рус.)
Валандай — бездельник, лодырь (север.)
Вертопрах — продувной ветрогон, гуляка (стар.)
Визгопряха — непоседливая девка (нар.)
Волочайка — распутная жена (олон.)
Вымесок — выродок (стар.)
Выпороток — недоносок (олон.)
Вяжихвостка — сплетница (орл.)
Глазопялка — любопытный (-ая) (моск., яросл.)
Глуподырый (глупендяй, глупеня) — глупый (нар.)
Грабастик — вор, грабитель (диал.)
Гузыня — плакса, рёва («разгузыниться» — расплакаться)
Гульня — непотребная, гулящая баба
Дитка — некошный, нечистый (кур.)
Дуботолк (Дроволом) — дурак (нар.)
Дурка — сумасшедшая, дура (укр.)
Елдыга — бранчливый (нар.)
Еропка — надутый, чванливый (тул.)
Ерохвост — задира, спорщик (нар.)
Ерпыль — малорослый, торопыга (пенз.)
Ёнда (Шлёнда) — непотребная баба (арх.)
Ёра — озорная, бойкая на язык (пенз., твер.)
Жиздор — задира (раз.)
Загузастка — круглая, толстая девка или баба (нар.)
Задор-баба — бранчливая, бойкая (нар.)
Заовинник — деревенский волокита (нар.)
Затетёха — дородная бабища (нар.)
Захухря — нечёса, неряха, растрепа (кал., ряз.)
Кащей — жадный (стар.)
Киселяй — вялый (пск., твер.)
Колоброд — шатун, бездельник (нар.)
Коломес — вздор говорящий (нар.)
Колотовка — драчливая и сварливая баба (орл.)
Колупай — мешковатый, медлительный (нар.)
Королобый — крепкоголовый, тупой, глупый (нар.)
Костеря — брюзга, ворчун (нар.)
Кропот — ворчун (стар.)
Куёлда — сварливый (-ая), вздорный (-ая) (диал.)
Курощуп — бабник, волокита (нар.)
Ледаша детина — негодный, плохой (нар.)
Лежака — лентяйка (ворон.)
Лободырный — недоумок (нар.)
Лоха — дура (пск., твер.)
Лоший — дурной, плохой (костр.)
Луд — дурак (от «лудить» — вводить в заблуждение, обманывать) (др.слав.)
Любомудр — любящий мудрствовать, затейный (др.рус.)
Лябзя (лябза) — болтун, пустомеля (олон.)
Мамошка — публичная женщина (диал.)
Маракуша — противный человек (кандалакш.)
Межеумок — человек гораздо средний (стар.)
Михрютка — неуклюжий, неловкий (диал.)
Младоумен суще — глуп смолоду (др.рус.)
Мордофиля — чванливый дурак (стар.)
Моркотник — человек без понятия (лешукон.)
Москолуд — шутник, проказник, дурачок (от «маска луд») (др.рус.)
Мухоблуд — лентяй, лежебока (стар.)
Насупа — угрюмый, хмурый (диал.)
Насупоня — надутый, сердитый (нар.)
Невеглас — темный, невежа (др.рус.)
Негораздок — недалекий (пск.)
Неповоротень — неуклюжий (стар.)
Несмысел — глупец (стар.)
Нефырь — неугодный, непотребный (волог.)
Обдувало — обманщик, плут (стар.)
Облом — грубый, невежа (стар.)
Облуд — обманщик (др.рус.)
Огуряла — безобразник («огурство чинить всякое» — безобразничать) (др.рус.)
Окаём — отморозок (стар.)
Околотень — неслух, дурень (др.рус.)
Остолбень — дурак (стар.)
Охальник — безобразник (нар.)
Пеньтюх — пузатый, жопистый (твер.раз.)
Пехтюк — неповоротливый, обжора (пск., твер.)
Печегнёт — лентяй (нар.)
Печная ездова — лентяйка (нар.)
Плеха — женщина легкого поведения (стар.)
Попрешница — спорщица (моск.)
Потатуй — потаковщик, потатчик, подхалим (др.рус.)
Похабник — ругатель, сквернослов (стар.)
Пресноплюй — пустобай, болтун (нар.)
Псоватый — на пса похожий (нар.)
Пустобрёх — болтун (нар.)
Пустошный — пустой, глупый, зряшный (диал.)
Пыня — гордая, надутая, недоступная (как правило о женщине) (кал.)
Пятигуз — ненадежный, попятный (нар.)
Развисляй — неряха, рохля, разиня (моск.)
Разлямзя — неповоротливый, вялый (пск.)
Разноголовый — неразумный, недогадливый (помор.)
Разтетёха — плотная, жирная девка, баба (нар.)
Растопча — разиня, олух (тамб.)
Расщеколда — болтливая баба (нар.)
Рахубник — безобразник (рахубничать — безобразничать) (сев.)
Рюма — плакса (от «рюмить» — плакать)
Свербигузка — девка непоседа (нар.)
Сдёргоумка — полудурок (нар.)
Сиволап — неуклюжий, грубый мужик (нар.)
Скапыжный — сварливый, вздорный (тарусск.)
Скоблёное рыло — со сбритой бородой (стар.)
Скаред — скупой, жадный (др.рус.)
Сквернавец (Сквернодей)- нехорошо, скверно поступающий (стар.)
Сняголовь (Сняголовый) — головорез, сорвиголова, лих человек (сняголовить — безобразничать, хулиганить) (вят., перм.)
Стерва — падаль, стервятина (др.рус.)
Страмец — срамец, бесстыдник (стар., ур.)
Страхолюд — урод (нар.)
Суемудр — ложно премудрый (др.рус.)
Тартыга — пьяница, буян («тартыжничать — безобразить) (влад.)
Телеух — олух, глупый (перм.)
Тетёшка — гулящая баба (нар.)
Титёшница — баба с большими титьками (моск.)
Толоконный лоб — дурак (от «толокно»)
Трупёрда — неповоротливая баба (диал.)
Трясся — сварливая, вздорная баба (нар.)
Туес — бестолочь (иносказ.)
Тьмонеистовый — невежа (стар.)
Тюрюхайло — неряха (кур.)
Углан — повеса (вят., перм., каз.)
Урюпа — плакса, замарашка, неряха (нар.)
Фетюк — оскорбление в адрес мужчины
Фофан — простофиля, дурак (орл.)
Фуфлыга — прыщ, дутик, невзрачный маленький мужичок («фуфлыжничать» — шататься, жить за чужой счет) (нар.)
Хабал — нахал, смутьян, грубиян (олон.)
Хандрыга (ханыга) — праздный шатун (диал.)
Хмыстень — вор (моск.)
Хохрик — горбатый (нар.)
Хобяка — неуклюжий неловкий (тул.)
Чёрт верёвочный — сумасброд (стар.)
Чужеяд — паразит, нахлебник (др.рус.)
Шаврик — кусок дерьма (моск.)
Шалава — дурак, глупый (перм.)
Шалопут — беспутный, ветрогон (стар.)
Шинора — проныра (кольск.)
Шлында — бродяга, тунеядец (смол.)
Шпынь голова — нечёсаный (нар.)
Щаул — зубоскал (др.рус.)

Источник: pikabu.ru


Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *

Этот сайт использует Akismet для борьбы со спамом. Узнайте, как обрабатываются ваши данные комментариев.