کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
7272618 | 1473361 | 2018 | 25 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
Subjective randomness as statistical inference
ترجمه فارسی عنوان
به عنوان استنتاج آماری تصادفی ذهنی
دانلود مقاله + سفارش ترجمه
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
کلمات کلیدی
تصادفی بودن، استنتاج بیزی، پیچیدگی الگوریتمی،
ترجمه چکیده
بعضی از رویدادها بیشتر از دیگران تصادفی هستند. به عنوان مثال، هنگام ریختن یک سکه، دنباله ای از هشت سر در یک ردیف به نظر نمی رسد بسیار تصادفی. از کجا این اتهامات مربوط به تصادف کجاست؟ ما استدلال می کنیم که تصادف ذهنی می تواند به عنوان نتیجه یک استنتاج آماری محاسبه شواهدی مبنی بر اینکه یک رویداد برای تولید توسط یک فرآیند تولید تصادفی ایجاد می شود، درک می شود. ما نشان می دهیم که چگونه این حساب یک لینک به کار قبلی مربوط به تصادفی به پیچیدگی الگوریتمی فراهم می کند، که در آن وقایع تصادفی هستند که نمی توانند توسط برنامه های کامپیوتری کوتاه توصیف شوند. پیچیدگی الگوریتمی هر دو ناسازگار است و به طور کلی برای ضبط قوانینی که مردم می توانند تشخیص دهد، اما مشاهده تصادفی به عنوان استنتاج آماری، دو مسیر برای حل این مشکلات را فراهم می کند: با توجه به قوانین تولید شده توسط ماشین های رایانه ای ساده و محدود کردن مجموعه ای از توزیع های احتمالی که مشخصه منظم بودن هستند. با تکیه بر کار قبلی، کاوش در این مسیرهای مختلف به مفهوم محدودتری از تصادف، ما مدل های کمی اندک از قضاوت های تصادفی انسانی را تعریف می کنیم که نه فقط به دنباله های باینری - که تمرکز بسیاری از کار قبلی را بر روی تصادف بودن ذهنی - بلکه همچنین به ماتریس باینری و خوشه بندی فضایی.
موضوعات مرتبط
علوم زیستی و بیوفناوری
علم عصب شناسی
علوم اعصاب شناختی
چکیده انگلیسی
Some events seem more random than others. For example, when tossing a coin, a sequence of eight heads in a row does not seem very random. Where do these intuitions about randomness come from? We argue that subjective randomness can be understood as the result of a statistical inference assessing the evidence that an event provides for having been produced by a random generating process. We show how this account provides a link to previous work relating randomness to algorithmic complexity, in which random events are those that cannot be described by short computer programs. Algorithmic complexity is both incomputable and too general to capture the regularities that people can recognize, but viewing randomness as statistical inference provides two paths to addressing these problems: considering regularities generated by simpler computing machines, and restricting the set of probability distributions that characterize regularity. Building on previous work exploring these different routes to a more restricted notion of randomness, we define strong quantitative models of human randomness judgments that apply not just to binary sequences - which have been the focus of much of the previous work on subjective randomness - but also to binary matrices and spatial clustering.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Cognitive Psychology - Volume 103, June 2018, Pages 85-109
Journal: Cognitive Psychology - Volume 103, June 2018, Pages 85-109
نویسندگان
Thomas L. Griffiths, Dylan Daniels, Joseph L. Austerweil, Joshua B. Tenenbaum,