对。随机性==不确定性
随机和等概是两个概念，随机的未必等概，等概的未必随机。

【 在 templarsf 的大作中提到: 】
: 一堆堆论证某个分布或者序列是不是随机的都是这么个方法好不好。
: 对一个好的伪随机数生成器的要求也是按这个要求设计的。
: 你的定义是，只要结果不是确定的都叫随机？
: ...................
--
FROM 211.162.81.*

在不同的场景下“随机”这个词的含义不同而已。
计算机科学里的随机和数学里的随机的含义并不完全相等。
【 在 templarsf 的大作中提到: 】
按你这个逻辑统计学里面几章关于随机分析的书可以全砍了。

包括一堆检验啥序列是随机序列，啥序列不是。以及怎么构建伪随机生成器生产随机序列的。随便写一万个1，写一个零就是个随机数生成器了。
【 在 zxf 的大作中提到: 】
: 对。随机性==不确定性
: 随机和等概是两个概念，随机的未必等概，等概的未必随机。
--
修改:templarsf FROM 112.117.39.231
FROM 118.194.243.84

数学上的“随机”就是一个和“确定”相对的概念啊，不然呢？
一个不能确定的序列不叫随机序列你在数学上打算叫他什么？
随机检测其实是要先默认一个预期的概率分布，然后再去检测的。
只是大部分时候我们都是去检测一个默认是“均匀分布”的序列，所以很多时候会把均匀性和随机性当成是一回事。
其实完全可以假设一个序列是符合一个其他的随机分布，然后去做随机性检测的。
【 在 templarsf 的大作中提到: 】
不消计算机科学，任何一个涉及处理不确定性的学科都会涉及到判断一个序列是否随机的统计检验。

只要不是确定的就是随机这种概念，你到说说哪个学科会这样用。这种定义下面所有东西除了完全确定的都是随机的，这种定义的随机有屁的用途。
【 在 blueboats 的大作中提到: 】
: 在不同的场景下“随机”这个词的含义不同而已。
: 计算机科学里的随机和数学里的随机的含义并不完全相等。
: 按你这个逻辑统计学里面几章关于随机分析的书可以全砍了。
: ...................
--
修改:templarsf FROM 112.117.39.231
FROM 118.194.243.84

如何定义“机器可以预测”？

举个简单的例子，让机器预测我选择硬币正面或反面

我的一个习惯是连续选择5次正面以后就很想选反面，经过长时间学习，机器学习到了我的这个习惯，所以机器加了这条规则：if head_times>5 then tail=true

问题就在于，我只是选择反面的几率超过50%而已，就算我选择反面的几率是90%，机器还是有可能预测错误的，这种情况下算是“机器可以预测”吗？

【 在 miller 的大作中提到: 】
: 很容易，找人做测试即可。看是否有机器可以预测他们将要说出的数字。之前可以有长时间的学习阶段。  
--
FROM 120.21.81.*

还有，统计分布不是万能的，必须要审查生成机制。别只翻统计学，该再翻翻密码学。  
  
【 在 templarsf (sf) 的大作中提到: 】
:  随便找本统计学书翻翻去吧，懒得讲了。
:  
:  如果序列长度是2^32*10000,那么出现32个连续的情况，数学期望就是10000次，如果你只出现5000次或者出现了15000次，都是属于显然偏离了统计分布。人手写必然不可能刚好出现10000次左右。
:  
--
FROM 183.128.141.*