santiago figueira · y 1s es la misma y esta propiedad de estabilidad es heredada por cualquier...
TRANSCRIPT
Aleatoriedad y anti-aleatoriedad
Santiago Figueira
Universidad de Buenos AiresFacultad de Ciencias Exactas y Naturales
Departamento de Computacion
3 de noviembre de 2006
1
Contenidos
I Aleatoriedad
I Nociones debiles
I numeros normalesI numeros absolutamente normalesI numeros estocasticos
I Nociones fuertes
I paradigma computacionalI paradigma de teorıa de la medidaI paradigma de impredecibilidad
I Anti-aleatoriedad
I K -trivialidad y C -trivialidadI Nociones de bajura (lowness)I Equivalencia entre varas nociones
2
NotacionI Numeros reales = secuencias = conjuntos de naturales
2ω= secuenciasinfinitas de 0s y 1s
A = 010110101011 . . .
[0, 1] = numeros realesentre 0 y 1
A = 0, 010110101011 . . .
conjuntos de NA = 1, 3, 4, 6, 8, 10, 11 . . .
I 2 = 0, 1I 2<ω = conjunto de todas las cadenas binariasI A n = primeros n dıgitos de AI A(i) ∈ 2 es el i-esimo bit de A. Entonces A(i) = 1 sii i ∈ A.I si σ es una cadena, |σ| es la longitud de σ
3
Numeros normalesExperimento: tirar una moneda y anotar 0 = cara y 1 = ceca.
0001110110101101010110100111101101 . . .
Esperamos que frecuencia de 0s = frecuencia de 1s.
0101010101010101010101010101010101 . . .
no parece una salida de este experimento. Es porque tambienesperamos que los bloques de la misma longitud aparezcan con lamisma frecuencia. En el ejemplo de arriba, 00 no aparece nunca.
Definicion (Borel, 1909)
I Un numero real A es normal en base t si para todo bloque σde 0, . . . , t − 1,
lımn→∞
# apariciones de σ en A n
n=
1
t |σ|.
I Un numero es absolutamente normal cuando es normal encada base t = 2, 3, 4, . . .
4
Numeros normalesExperimento: tirar una moneda y anotar 0 = cara y 1 = ceca.
0001110110101101010110100111101101 . . .
Esperamos que frecuencia de 0s = frecuencia de 1s.
0101010101010101010101010101010101 . . .
no parece una salida de este experimento. Es porque tambienesperamos que los bloques de la misma longitud aparezcan con lamisma frecuencia. En el ejemplo de arriba, 00 no aparece nunca.
Definicion (Borel, 1909)
I Un numero real A es normal en base t si para todo bloque σde 0, . . . , t − 1,
lımn→∞
# apariciones de σ en A n
n=
1
t |σ|.
I Un numero es absolutamente normal cuando es normal encada base t = 2, 3, 4, . . .
4
Numeros normalesExperimento: tirar una moneda y anotar 0 = cara y 1 = ceca.
0001110110101101010110100111101101 . . .
Esperamos que frecuencia de 0s = frecuencia de 1s.
0101010101010101010101010101010101 . . .
no parece una salida de este experimento. Es porque tambienesperamos que los bloques de la misma longitud aparezcan con lamisma frecuencia. En el ejemplo de arriba, 00 no aparece nunca.
Definicion (Borel, 1909)
I Un numero real A es normal en base t si para todo bloque σde 0, . . . , t − 1,
lımn→∞
# apariciones de σ en A n
n=
1
t |σ|.
I Un numero es absolutamente normal cuando es normal encada base t = 2, 3, 4, . . .
4
Numeros normalesExperimento: tirar una moneda y anotar 0 = cara y 1 = ceca.
0001110110101101010110100111101101 . . .
Esperamos que frecuencia de 0s = frecuencia de 1s.
0101010101010101010101010101010101 . . .
no parece una salida de este experimento. Es porque tambienesperamos que los bloques de la misma longitud aparezcan con lamisma frecuencia. En el ejemplo de arriba, 00 no aparece nunca.
Definicion (Borel, 1909)
I Un numero real A es normal en base t si para todo bloque σde 0, . . . , t − 1,
lımn→∞
# apariciones de σ en A n
n=
1
t |σ|.
I Un numero es absolutamente normal cuando es normal encada base t = 2, 3, 4, . . .
4
Numeros absolutamente normales
Teorema (Borel, 1909)
Casi todos los numeros reales (en el sentido dela medida de Lebesgue) son absolutamentenormales:
µ (A ∈ [0, 1] : A es abs. normal) = 1
Hay muchos pero es difıcil encontrar ejemplosconcretos.
I Ningun racional es normal en base t.I Se cree que
√2, π, e son normales en base 10.
I El numero de Champernowne (1933):
0,12345678910111213. . .
es normal en base 10 pero no es abs. normal.
normales
abs. normales
computables
Q
[0,1]
Sierpinski (1917) da el primer ejemplo un numero abs. normal.
Pregunta: ¿Hay numeros absolutamente normales y computables?
5
Numeros absolutamente normales
Teorema (Borel, 1909)
Casi todos los numeros reales (en el sentido dela medida de Lebesgue) son absolutamentenormales:
µ (A ∈ [0, 1] : A es abs. normal) = 1
Hay muchos pero es difıcil encontrar ejemplosconcretos.
I Ningun racional es normal en base t.I Se cree que
√2, π, e son normales en base 10.
I El numero de Champernowne (1933):
0,12345678910111213. . .
es normal en base 10 pero no es abs. normal.
normales
abs. normales
computables
Q
[0,1]
Sierpinski (1917) da el primer ejemplo un numero abs. normal.
Pregunta: ¿Hay numeros absolutamente normales y computables?
5
Numeros absolutamente normales
Teorema (Borel, 1909)
Casi todos los numeros reales (en el sentido dela medida de Lebesgue) son absolutamentenormales:
µ (A ∈ [0, 1] : A es abs. normal) = 1
Hay muchos pero es difıcil encontrar ejemplosconcretos.
I Ningun racional es normal en base t.
I Se cree que√
2, π, e son normales en base 10.I El numero de Champernowne (1933):
0,12345678910111213. . .
es normal en base 10 pero no es abs. normal.
normales
abs. normales
computables
Q
[0,1]
Sierpinski (1917) da el primer ejemplo un numero abs. normal.
Pregunta: ¿Hay numeros absolutamente normales y computables?
5
Numeros absolutamente normales
Teorema (Borel, 1909)
Casi todos los numeros reales (en el sentido dela medida de Lebesgue) son absolutamentenormales:
µ (A ∈ [0, 1] : A es abs. normal) = 1
Hay muchos pero es difıcil encontrar ejemplosconcretos.
I Ningun racional es normal en base t.I Se cree que
√2, π, e son normales en base 10.
I El numero de Champernowne (1933):
0,12345678910111213. . .
es normal en base 10 pero no es abs. normal.
normales
abs. normales
computables
Q
[0,1]
Sierpinski (1917) da el primer ejemplo un numero abs. normal.
Pregunta: ¿Hay numeros absolutamente normales y computables?
5
Numeros absolutamente normales
Teorema (Borel, 1909)
Casi todos los numeros reales (en el sentido dela medida de Lebesgue) son absolutamentenormales:
µ (A ∈ [0, 1] : A es abs. normal) = 1
Hay muchos pero es difıcil encontrar ejemplosconcretos.
I Ningun racional es normal en base t.I Se cree que
√2, π, e son normales en base 10.
I El numero de Champernowne (1933):
0,12345678910111213. . .
es normal en base 10 pero no es abs. normal.
normales
abs. normales
computables
Q
[0,1]
Sierpinski (1917) da el primer ejemplo un numero abs. normal.
Pregunta: ¿Hay numeros absolutamente normales y computables?
5
Numeros absolutamente normales
Teorema (Borel, 1909)
Casi todos los numeros reales (en el sentido dela medida de Lebesgue) son absolutamentenormales:
µ (A ∈ [0, 1] : A es abs. normal) = 1
Hay muchos pero es difıcil encontrar ejemplosconcretos.
I Ningun racional es normal en base t.I Se cree que
√2, π, e son normales en base 10.
I El numero de Champernowne (1933):
0,12345678910111213. . .
es normal en base 10 pero no es abs. normal.
normales
abs. normales
computables
Q
[0,1]
Sierpinski (1917) da el primer ejemplo un numero abs. normal.
Pregunta: ¿Hay numeros absolutamente normales y computables?5
Hay numeros absolutamente normales en todos lados
TeoremaExisten numeros abs. normales computables.
Pero el algoritmo para computarlo es muy malo.Pregunta: ¿Hay numeros abs. normales en P?Dos enfoques:
I mejorar los algoritmos
I mejorar las tecnicas de demostracion (talvez π es absolutamente normal)
TeoremaHay un real absolutamente normal computableX y un conjunto infinito computable A tal quecualquier real Y que difiere con X solo en lasposiciones de A tambien es absolutamentenormal.
abs. normales
computables
=B : B ≡T ∅
0 =
∀C
B:B≡
TC
[0,1]
CorolarioExisten numeros absolutamente normales en todo grado 1.
6
Hay numeros absolutamente normales en todos lados
TeoremaExisten numeros abs. normales computables.
Pero el algoritmo para computarlo es muy malo.Pregunta: ¿Hay numeros abs. normales en P?Dos enfoques:
I mejorar los algoritmos
I mejorar las tecnicas de demostracion (talvez π es absolutamente normal)
TeoremaHay un real absolutamente normal computableX y un conjunto infinito computable A tal quecualquier real Y que difiere con X solo en lasposiciones de A tambien es absolutamentenormal.
abs. normales
computables
=B : B ≡T ∅
0 =
∀C
B:B≡
TC
[0,1]
CorolarioExisten numeros absolutamente normales en todo grado 1.
6
Hay numeros absolutamente normales en todos lados
TeoremaExisten numeros abs. normales computables.
Pero el algoritmo para computarlo es muy malo.Pregunta: ¿Hay numeros abs. normales en P?Dos enfoques:
I mejorar los algoritmos
I mejorar las tecnicas de demostracion (talvez π es absolutamente normal)
TeoremaHay un real absolutamente normal computableX y un conjunto infinito computable A tal quecualquier real Y que difiere con X solo en lasposiciones de A tambien es absolutamentenormal.
abs. normales
computables
=B : B ≡T ∅
0 =
∀C
B:B≡
TC
[0,1]
CorolarioExisten numeros absolutamente normales en todo grado 1. 6
Numeros estocasticos
El primer intento de definicion de aleatoriedad es de von Mises:
Definicion (Von Mises, 1919)
Una secuencia es aleatoria cuando el numero de ocurrencias de 0sy 1s es la misma y esta propiedad de estabilidad es heredada porcualquier subsecuencia infinita obtenida por una regla de seleccion“admisible”.
Definicion (Church, 1940)
Llamamos funcion de seleccion a una funcion f : 2<ω → 2computable total. f es densa a lo largo de A si f (A n) = 1 parainfinitos n. A es estocastico si para cada funcion de seleccion f quesea densa sobre A,
lımn→∞
‖k < n : f (A k) = 1 ∧ k ∈ A‖‖k < n : f (A k) = 1‖
= 1/2.
7
Numeros estocasticos
El primer intento de definicion de aleatoriedad es de von Mises:
Definicion (Von Mises, 1919)
Una secuencia es aleatoria cuando el numero de ocurrencias de 0sy 1s es la misma y esta propiedad de estabilidad es heredada porcualquier subsecuencia infinita obtenida por una regla de seleccion“admisible”.
Definicion (Church, 1940)
Llamamos funcion de seleccion a una funcion f : 2<ω → 2computable total. f es densa a lo largo de A si f (A n) = 1 parainfinitos n. A es estocastico si para cada funcion de seleccion f quesea densa sobre A,
lımn→∞
‖k < n : f (A k) = 1 ∧ k ∈ A‖‖k < n : f (A k) = 1‖
= 1/2.
7
Paradigma de impredecibilidadIdea: El conocimiento de los primeros n bits no ayuda paraconocer el n + 1-esimo.
Definicion (Ville, 1939)I Una martingala es una funcion d : 2<ω → [0,∞) tal que
d(λ) > 0 y para cada σ ∈ 2<ω
d(σ) =d(σ0) + d(σ1)
2.
I d tiene exito en A si
lım supn→∞
d(A n) = ∞.
I d tiene exito en una clase C si d tiene exito en cada A ∈ C.
La interpretacion es:I juego justo de apuestas en bits sucesivos de una secuencia escondida
I d representa el capital. El apostador empieza con capital d(λ) > 0.
I en cada vuelta, apuesta αd(σ) al 0 y (1− α)d(σ) al 1 para α ∈ [0, 1]
I si acierta, duplica; sino pierde. d(σ0) = 2αd(σ); d(σ1) = 2(1− α)d(σ).8
Paradigma de impredecibilidad
Recordemos que µ es la medida de Lebesgue.
Teorema (Ville, 1939)
Para cualquier clase C, µ (C) = 0 sii hay una martingala que tieneexito en C.
Definicion (Schnorr, 1971)
A es recursivamente aleatorio (rec. aleatorio) si ninguna martingalacomputable tiene exito en A.
Proposicion
Casi todos los numeros reales son rec. aleatorios.
9
Paradigma de impredecibilidad
Recordemos que µ es la medida de Lebesgue.
Teorema (Ville, 1939)
Para cualquier clase C, µ (C) = 0 sii hay una martingala que tieneexito en C.
Definicion (Schnorr, 1971)
A es recursivamente aleatorio (rec. aleatorio) si ninguna martingalacomputable tiene exito en A.
Proposicion
Casi todos los numeros reales son rec. aleatorios.
9
Impredecibilidad con recursos acotados
DefinicionA es t(n)-rec. aleatorio si ninguna martingala enDTIME(t(n)) tiene exito en A.
Pregunta: ¿Existe t tal que si A es t(n)-rec.aleatorio entonces es absolutamente normal? Porejemplo: ¿si A es n2-rec. aleatorio entonces Asera absolutamente normal?
Pregunta: ¿Para que t(n) vale que hay unt(n)-rec. aleatorio en cada grado 1 (m, tt, T )
t(n)-rec. aleat.
t’(n)-rec. aleat.
rec. aleat.
t < t ′
computables
[0,1]
10
Impredecibilidad con recursos acotados
DefinicionA es t(n)-rec. aleatorio si ninguna martingala enDTIME(t(n)) tiene exito en A.
Pregunta: ¿Existe t tal que si A es t(n)-rec.aleatorio entonces es absolutamente normal? Porejemplo: ¿si A es n2-rec. aleatorio entonces Asera absolutamente normal?
Pregunta: ¿Para que t(n) vale que hay unt(n)-rec. aleatorio en cada grado 1 (m, tt, T )
t(n)-rec. aleat.
t’(n)-rec. aleat.
rec. aleat.
t < t ′
computables
[0,1]
10
Paradigma de teorıa de la medida
Idea:
I los numeros aleatorios deben se aquellos que no tenganpropiedades “efectivamente” raras
I si una propiedad es un conjunto efectivamente nulo, entoncesun numero aleatorio no debe tener esa propiedad
I o sino, el paradigma de estocasticidad: un aleatorio debe pasartodos los test estadısticos efectivos
Definicion (Martin-Lof, 1966)I un test de Martin-Lof es una secuencia (Vn)n∈N de clases Σ0
1
uniformemente c.e. tal que µ (Vn) ≤ 2−n
I A pasa el test de Martin-Lof (Vn)n∈N si A /∈⋂
n∈N Vn
I A es Martin-Lof aleatorio (ML aleatorio) si y solo si A pasatodo test de Martin-Lof
11
Paradigma de teorıa de la medida
Idea:
I los numeros aleatorios deben se aquellos que no tenganpropiedades “efectivamente” raras
I si una propiedad es un conjunto efectivamente nulo, entoncesun numero aleatorio no debe tener esa propiedad
I o sino, el paradigma de estocasticidad: un aleatorio debe pasartodos los test estadısticos efectivos
Definicion (Martin-Lof, 1966)I un test de Martin-Lof es una secuencia (Vn)n∈N de clases Σ0
1
uniformemente c.e. tal que µ (Vn) ≤ 2−n
I A pasa el test de Martin-Lof (Vn)n∈N si A /∈⋂
n∈N Vn
I A es Martin-Lof aleatorio (ML aleatorio) si y solo si A pasatodo test de Martin-Lof
11
Paradigma de teorıa de la medida
TeoremaExiste un test universal de Martin-Lof; i.e. existe (Un)n∈N tal que Aes ML aleatorio sii A pasa (Un)n∈N.
En otras palabras, los ML aleatorios son 2ω \⋂
n∈N Un
Proposicion
Casi todos los reales son ML aleatorios.
12
La crıtica de SchnorrTeorema (Schnorr, 1971)
A es ML aleatorio sii ninguna martingala c.e. tiene exito en A.
DefinicionUn martingala d es c.e. si d(σ) es un real left-c.e. tal qued(σ) = lıms d(σ) y λσ, s.ds(σ) ∈ Q es una funcion computable.
Segun ScnorrI el teorema muestra una falla en la intuicion detras de la nocion de ML
aleatoriedad
I la aleatoriedad debe estar relacionada con vencer estrategias computablesy no c.e.
I de la misma manera, en la definicion de Martin-Lof, los tests Vn son c.e.pero no computables
Definicion (Schnorr, 1971)
Lo mismo que Martin-Lof, pero con µ (Vn) = 2−n.
Ası, los Vn se vuelven computables (i.e. σ2ω ⊆ Vn es computable).
TeoremaNo hay test universal de Schnorr.
13
La crıtica de SchnorrTeorema (Schnorr, 1971)
A es ML aleatorio sii ninguna martingala c.e. tiene exito en A.
DefinicionUn martingala d es c.e. si d(σ) es un real left-c.e. tal qued(σ) = lıms d(σ) y λσ, s.ds(σ) ∈ Q es una funcion computable.
Segun ScnorrI el teorema muestra una falla en la intuicion detras de la nocion de ML
aleatoriedad
I la aleatoriedad debe estar relacionada con vencer estrategias computablesy no c.e.
I de la misma manera, en la definicion de Martin-Lof, los tests Vn son c.e.pero no computables
Definicion (Schnorr, 1971)
Lo mismo que Martin-Lof, pero con µ (Vn) = 2−n.
Ası, los Vn se vuelven computables (i.e. σ2ω ⊆ Vn es computable).
TeoremaNo hay test universal de Schnorr. 13
Paradigma computacionalIdea: los numeros aleatorios son algorıtmicamente incompresibles
Sea T0,T1,T2, . . . una enumeracion de todas las maquinas deTuring libres de prefijos.
DefinicionU es una maquina libre de prefijos universal sii
(∀e)(∃c)(∀p)(∃q) [U(q) = Te(p) ∧ |q| ≤ |p|+ c].
Fijamos U = maquina universal.
Definicion (Levin, 1973; Schnorr, 1973; Chaitin, 1975)
K : 2<ω → N, la complejidad de largo de programa con respecto ala maquina universal U, es K (σ) = mın|p| : U(p) = σ.K es una nocion de complejidad absoluta.
Definicion (Levin, 1974; Gacs, 1974, Chaitin, 1975)
A es Levin-Chaitin aleatorio sii (∃c)(∀n) K (A n) > n − c .
14
Paradigma computacionalIdea: los numeros aleatorios son algorıtmicamente incompresibles
Sea T0,T1,T2, . . . una enumeracion de todas las maquinas deTuring libres de prefijos.
DefinicionU es una maquina libre de prefijos universal sii
(∀e)(∃c)(∀p)(∃q) [U(q) = Te(p) ∧ |q| ≤ |p|+ c].
Fijamos U = maquina universal.
Definicion (Levin, 1973; Schnorr, 1973; Chaitin, 1975)
K : 2<ω → N, la complejidad de largo de programa con respecto ala maquina universal U, es K (σ) = mın|p| : U(p) = σ.K es una nocion de complejidad absoluta.
Definicion (Levin, 1974; Gacs, 1974, Chaitin, 1975)
A es Levin-Chaitin aleatorio sii (∃c)(∀n) K (A n) > n − c .14
Ejemplo de numero aleatorio: probabilidad de detencion
Dada una maquina libre de prefijos M,
ΩM =∑
p:M(p)↓
2−|p| = µ (domM2ω) .
es la probabilidad de que M se detenga.
Por ejemplo, si M(p) ↓ solo cuando p = 0i1 con i par, entonces
ΩM = 0,1010101 . . . = 2/3.
Teorema (Chaitin, 1975)
Para cualquier maquina universal U, ΩU es aleatorio.
Teorema (Slaman y Kucera, 2001)
Para cualquier A left-c.e. Son equivalentes:
I A es ML aleatorio
I Para todo B left-c.e. (∃c)(∀n) K (B n) ≤ K (A n) + c
I A es la probabilidad de detencion de alguna maquina universal
15
Ejemplo de numero aleatorio: probabilidad de detencion
Dada una maquina libre de prefijos M,
ΩM =∑
p:M(p)↓
2−|p| = µ (domM2ω) .
es la probabilidad de que M se detenga.
Por ejemplo, si M(p) ↓ solo cuando p = 0i1 con i par, entonces
ΩM = 0,1010101 . . . = 2/3.
Teorema (Chaitin, 1975)
Para cualquier maquina universal U, ΩU es aleatorio.
Teorema (Slaman y Kucera, 2001)
Para cualquier A left-c.e. Son equivalentes:
I A es ML aleatorio
I Para todo B left-c.e. (∃c)(∀n) K (B n) ≤ K (A n) + c
I A es la probabilidad de detencion de alguna maquina universal
15
Ejemplo de numero aleatorio: probabilidad de detencion
Dada una maquina libre de prefijos M,
ΩM =∑
p:M(p)↓
2−|p| = µ (domM2ω) .
es la probabilidad de que M se detenga.
Por ejemplo, si M(p) ↓ solo cuando p = 0i1 con i par, entonces
ΩM = 0,1010101 . . . = 2/3.
Teorema (Chaitin, 1975)
Para cualquier maquina universal U, ΩU es aleatorio.
Teorema (Slaman y Kucera, 2001)
Para cualquier A left-c.e. Son equivalentes:
I A es ML aleatorio
I Para todo B left-c.e. (∃c)(∀n) K (B n) ≤ K (A n) + c
I A es la probabilidad de detencion de alguna maquina universal15
Martin-Lof aleatorio ⊆ rec. aleatorio ⊆ Schnorr aleatorio
Teorema (Schnorr, 1971)
A es ML aleatorio sii A es Levin-Chaitinaleatorio.
A partir de ahora, los llamo simplementealeatorios.
Teorema (Nies, Stephan y Terwijn, 2005)
Para todo A, son equivalentes:
I A es alto (high)
I ∃B ≡T A tal que B es rec. aleatorio perono ML aleatorio
I ∃C ≡T A tal que C es Schnorr aleatoriopero no rec. aleatorio
normales
abs. normales
computables
rec. aleatorios
Schnorr aleatorios
ML aleatorios
[0,1]
16
Martin-Lof aleatorio ⊆ rec. aleatorio ⊆ Schnorr aleatorio
Teorema (Schnorr, 1971)
A es ML aleatorio sii A es Levin-Chaitinaleatorio.
A partir de ahora, los llamo simplementealeatorios.
Teorema (Nies, Stephan y Terwijn, 2005)
Para todo A, son equivalentes:
I A es alto (high)
I ∃B ≡T A tal que B es rec. aleatorio perono ML aleatorio
I ∃C ≡T A tal que C es Schnorr aleatoriopero no rec. aleatorio
normales
abs. normales
computables
rec. aleatorios
Schnorr aleatorios
ML aleatorios
[0,1]
16
(Parentesis: teorıa de la computabilidad)
DefinicionA es T -reducible a B, (notado A ≤T B) si existe un funcional Ψtal que (∀x) ΨB(x) = A(x).
DefinicionEl salto de A es
A′ = x : ΦAx (x) ↓.
Por ejemplo, ∅′ es el problema de la detencion (halting problem).
I para cualquier A, ∅ ≤T A <T A′
I si A ≤T B entonces A′ ≤T B ′
Si A es c.e. entonces 0 ≤T A ≤T ∅′. Luego ∅′ ≤T A′ ≤T ∅′′.Definicion
I A es alto (high) si A′ ≡T ∅′′ (i.e. lo mas difıcil que puede ser).
I A es bajo (low) si A′ ≡T ∅′ (i.e. lo mas facil que puede ser).
17
(Parentesis: teorıa de la computabilidad)
DefinicionA es T -reducible a B, (notado A ≤T B) si existe un funcional Ψtal que (∀x) ΨB(x) = A(x).
DefinicionEl salto de A es
A′ = x : ΦAx (x) ↓.
Por ejemplo, ∅′ es el problema de la detencion (halting problem).
I para cualquier A, ∅ ≤T A <T A′
I si A ≤T B entonces A′ ≤T B ′
Si A es c.e. entonces 0 ≤T A ≤T ∅′. Luego ∅′ ≤T A′ ≤T ∅′′.Definicion
I A es alto (high) si A′ ≡T ∅′′ (i.e. lo mas difıcil que puede ser).
I A es bajo (low) si A′ ≡T ∅′ (i.e. lo mas facil que puede ser).
17
(Parentesis: teorıa de la computabilidad)
DefinicionA es T -reducible a B, (notado A ≤T B) si existe un funcional Ψtal que (∀x) ΨB(x) = A(x).
DefinicionEl salto de A es
A′ = x : ΦAx (x) ↓.
Por ejemplo, ∅′ es el problema de la detencion (halting problem).
I para cualquier A, ∅ ≤T A <T A′
I si A ≤T B entonces A′ ≤T B ′
Si A es c.e. entonces 0 ≤T A ≤T ∅′. Luego ∅′ ≤T A′ ≤T ∅′′.Definicion
I A es alto (high) si A′ ≡T ∅′′ (i.e. lo mas difıcil que puede ser).
I A es bajo (low) si A′ ≡T ∅′ (i.e. lo mas facil que puede ser).
17
(Parentesis: teorıa de la computabilidad)
DefinicionA es T -reducible a B, (notado A ≤T B) si existe un funcional Ψtal que (∀x) ΨB(x) = A(x).
DefinicionEl salto de A es
A′ = x : ΦAx (x) ↓.
Por ejemplo, ∅′ es el problema de la detencion (halting problem).
I para cualquier A, ∅ ≤T A <T A′
I si A ≤T B entonces A′ ≤T B ′
Si A es c.e. entonces 0 ≤T A ≤T ∅′. Luego ∅′ ≤T A′ ≤T ∅′′.Definicion
I A es alto (high) si A′ ≡T ∅′′ (i.e. lo mas difıcil que puede ser).
I A es bajo (low) si A′ ≡T ∅′ (i.e. lo mas facil que puede ser).
17
Reales anti-aleatorios: K -trivialidad y C -trivialidadA es aleatorio cuando es algorıtmicamente incompresible: lacomplejidad de A n es mayor que n.
A es anti-aleatorio cuando A es altamente compresible: lacomplejidad de A n es parecida a la complejidad de 0n.
A n = A0 A1 A2 . . . An−1
0n = 0 0 0 . . . 0
Definicion (Kolmogorov, 1965; Solomonoff, 1964; Chaitin1975)
C : 2<ω → N es la complejidad plana (como K pero sin trabajarcon maquinas libres de prefijos).
C < K y C no sirve para definir aleatoriedad.
Definicion
I Un real A es C -trivial cuando (∃c)(∀n) C (A n) ≤ C (0n) + c .
I Un real A es K -trivial cuando (∃c)(∀n) K (A n) ≤ K (0n)+ c .
18
Reales anti-aleatorios: K -trivialidad y C -trivialidadA es aleatorio cuando es algorıtmicamente incompresible: lacomplejidad de A n es mayor que n.
A es anti-aleatorio cuando A es altamente compresible: lacomplejidad de A n es parecida a la complejidad de 0n.
A n = A0 A1 A2 . . . An−1
0n = 0 0 0 . . . 0
Definicion (Kolmogorov, 1965; Solomonoff, 1964; Chaitin1975)
C : 2<ω → N es la complejidad plana (como K pero sin trabajarcon maquinas libres de prefijos).
C < K y C no sirve para definir aleatoriedad.
Definicion
I Un real A es C -trivial cuando (∃c)(∀n) C (A n) ≤ C (0n) + c .
I Un real A es K -trivial cuando (∃c)(∀n) K (A n) ≤ K (0n)+ c .
18
Reales anti-aleatorios: K -trivialidad y C -trivialidadA es aleatorio cuando es algorıtmicamente incompresible: lacomplejidad de A n es mayor que n.
A es anti-aleatorio cuando A es altamente compresible: lacomplejidad de A n es parecida a la complejidad de 0n.
A n = A0 A1 A2 . . . An−1
0n = 0 0 0 . . . 0
Definicion (Kolmogorov, 1965; Solomonoff, 1964; Chaitin1975)
C : 2<ω → N es la complejidad plana (como K pero sin trabajarcon maquinas libres de prefijos).
C < K y C no sirve para definir aleatoriedad.
Definicion
I Un real A es C -trivial cuando (∃c)(∀n) C (A n) ≤ C (0n) + c .
I Un real A es K -trivial cuando (∃c)(∀n) K (A n) ≤ K (0n)+ c . 18
Reales anti-aleatorios: K -trivialidad y C -trivialidad
Teorema (Chaitin, 1976)
A es C-trivial sii A es computable.
Teorema (Chaitin, 1975)
Si A es K-trivial entonces A ≤T ∅′ (i.e.A ∈ ∆0
2).
Teorema (Solovay, 1975; Downey et al.2002)
Existen K-triviales no computables.
Chaitin pregunto: ¿Se pueden caracterizar alos reales computables usando K?
computables= C -triviales
aleatorios
K-triv
iales
∆02
[0,1]
TeoremaA es computable sii A es K∞-trivial.
(K∞ es una variante de K sobre computos infinitos. Es libre deprefijos.)
19
Reales anti-aleatorios: K -trivialidad y C -trivialidad
Teorema (Chaitin, 1976)
A es C-trivial sii A es computable.
Teorema (Chaitin, 1975)
Si A es K-trivial entonces A ≤T ∅′ (i.e.A ∈ ∆0
2).
Teorema (Solovay, 1975; Downey et al.2002)
Existen K-triviales no computables.
Chaitin pregunto: ¿Se pueden caracterizar alos reales computables usando K?
computables= C -triviales
aleatorios
K-triv
iales
∆02
[0,1]
TeoremaA es computable sii A es K∞-trivial.
(K∞ es una variante de K sobre computos infinitos. Es libre deprefijos.)
19
Reales anti-aleatorios: K -trivialidad y C -trivialidad
Teorema (Chaitin, 1976)
A es C-trivial sii A es computable.
Teorema (Chaitin, 1975)
Si A es K-trivial entonces A ≤T ∅′ (i.e.A ∈ ∆0
2).
Teorema (Solovay, 1975; Downey et al.2002)
Existen K-triviales no computables.
Chaitin pregunto: ¿Se pueden caracterizar alos reales computables usando K?
computables= C -triviales
aleatorios
K-triv
iales
∆02
[0,1]
TeoremaA es computable sii A es K∞-trivial.
(K∞ es una variante de K sobre computos infinitos. Es libre deprefijos.)
19
Reales anti-aleatorios: K -trivialidad y C -trivialidad
Teorema (Chaitin, 1976)
A es C-trivial sii A es computable.
Teorema (Chaitin, 1975)
Si A es K-trivial entonces A ≤T ∅′ (i.e.A ∈ ∆0
2).
Teorema (Solovay, 1975; Downey et al.2002)
Existen K-triviales no computables.
Chaitin pregunto: ¿Se pueden caracterizar alos reales computables usando K?
computables= C -triviales
aleatorios
K-triv
iales
∆02
[0,1]
TeoremaA es computable sii A es K∞-trivial.
(K∞ es una variante de K sobre computos infinitos. Es libre deprefijos.)
19
Nociones de lowness y K -trivialidadUna nocion de bajura (lowness) de un conjunto A ⊆ N dice que Aes computacionalmente debil cuando se lo usa como oraculo. Porlo tanto A esta cerca de ser computable. Algunas son nociones deanti-aleatoriedad.
20
Nociones de lowness y K -trivialidadUna nocion de bajura (lowness) de un conjunto A ⊆ N dice que Aes computacionalmente debil cuando se lo usa como oraculo. Porlo tanto A esta cerca de ser computable. Algunas son nociones deanti-aleatoriedad.
20
Algunas nociones de bajura
La funcion de complejidad K y la definicion de ML aleatorio sepueden relativizar a oraculos.Algunos oraculos pueden ser utiles y otros no.
I A es K -trivial: algorıtmicamente muy compresible.(∃c)(∀n) K (A n) ≤ K (0n) + c .
I A es bajo para K (low for K ): no es util para reducir K .(∃c)(∀σ) K (σ) ≤ KA(σ) + c .
I A es bajo para aleatorios (low for random): no es util paradetectar regularidades.Para todo B, si B es aleatorio entonces B es A-aleatorio
Teorema (Nies, 2003)
Las tres clases son equivalentes.
21
Algunas nociones de bajura
La funcion de complejidad K y la definicion de ML aleatorio sepueden relativizar a oraculos.Algunos oraculos pueden ser utiles y otros no.
I A es K -trivial: algorıtmicamente muy compresible.(∃c)(∀n) K (A n) ≤ K (0n) + c .
I A es bajo para K (low for K ): no es util para reducir K .(∃c)(∀σ) K (σ) ≤ KA(σ) + c .
I A es bajo para aleatorios (low for random): no es util paradetectar regularidades.Para todo B, si B es aleatorio entonces B es A-aleatorio
Teorema (Nies, 2003)
Las tres clases son equivalentes.
21
Otras nociones combinatorias de bajura
I Investigamos dos nociones de lowness(bajura) combinatorias que no involucranK y provienen de la teorıa de lacomputabilidad.
I Tienen propiedades parecidas a las deK -trivialidad.
I Estan relacionadas entre sı y vinculadascon C .
Pregunta ¿Podemos caracterizar a losK -triviales en terminos otras nocionescombinatorias de bajura provenientes de lateorıa de la computabilidad?
computables
aleatorios
∆02
K-triv
iales
¿otras?
[0,1]
22
Otras nociones combinatorias de bajura
I Investigamos dos nociones de lowness(bajura) combinatorias que no involucranK y provienen de la teorıa de lacomputabilidad.
I Tienen propiedades parecidas a las deK -trivialidad.
I Estan relacionadas entre sı y vinculadascon C .
Pregunta ¿Podemos caracterizar a losK -triviales en terminos otras nocionescombinatorias de bajura provenientes de lateorıa de la computabilidad?
computables
aleatorios
∆02
K-triv
iales
¿otras?
[0,1]
22
ReferenciasTeorıa algorıtmica de la informacion
Rod G. Downey and Denis R. Hirschfeldt.
Algorithmic randomness and complexity.
In preparation.http://www.mcs.vuw.ac.nz/∼downey/randomness.pdf.
Ming Li and Paul Vitanyi.
An introduction to Kolmogorov complexity and its applications.
Springer, 2nd edition, 1997.
Cristian Calude.
Information and Randomness, an Algorithmic Perspective.
Springer-Verlag, Berlin, 1994.
Joseph S. Miller and Andre Nies.
Randomness and computability: Open questions
Bulletin of Symbolic Logic, 12(3):390-410, 2006.
23
ReferenciasAleatoriedad
Rod Downey, Denis R. Hirschfeldt, Andre Nies, and SebastiaanTerwijn.
Calibrating randomness.
Bulletin of Symbolic Logic, 12(3):411-491, 2006.
Gregory J. Chaitin.
A theory of program size formally identical to information theory.
Journal of the ACM, 22:329–340, 1975.
Klaus Ambos-Spies and Elvira Mayordomo.
Resource Bounded Measure and Randomness.
In Complexity Logic and Recursion Theory, pages 1–47, New YorkNY, 1997.
24
ReferenciasAnti-aleatoriedad
Rod G. Downey, Denis R. Hirschfeldt, Andre Nies, and FrankStephan.Trivial reals.In Proceedings of the 7th and 8th Asian Logic Conferences,pages 103–131. World Scientific, River Edge, NJ, 2003.
Andre Nies.Reals which compute little.Proceedings of Logic Colloquium 2002, Chatizdais, Z, Koepke,P. and Pohlers, W., editors, Lecture Notes in Logic27:261-275, 2002.
25
ReferenciasTeorıa de la computabilidad
Robert I. Soare.
Recursively enumerable sets and degrees.
Springer, Heidelberg, 1987.
Piergiorgio Odifreddi.
Classical recursion theory, volume 1.
North-Holland, Amsterdam, 1999.
26
¡Vengan a Logic, Computability and Randomness 2007!
Vienen:
I Eric Allender
I Roberto Cignoli
I Noam Greenberg
I Joos Heintz
I Carl Jockusch
I Antonin Kucera
I Steffen Lempp
I Wolfgang Merkle
I Joseph S. Miller
I Jean-Eric Pin
I Jan Reimann
I Claus-Peter Schnorr
I Richard A. Shore
I Theodore Slaman
I Ray Solomonoff
I Ludwig Staiger
I Sebastiaan Terwijn
I Vladimir V’yugin
I Liang Yu
Organizan:
I DC
I Veronica Becher
I Rod Downey
I Denis Hirschfeldt
Mas informacion en www.dc.uba.ar/logic2007
27