There are two different methods for reasoning, inductive and deductive.
추론에는 귀납과 연역이라는 두 가지 다른 방법이 있다.
●While deductive reasoning looks for certainties,
●inductive reasoning is used when a circumstance is seen as supplying evidence that a conclusion could be true.
●연역적 추론은 확실성을 찾는 반면,
●유인적 추론(귀납적추론)은 어떤 상황이 결론이 사실일 수 있다는 증거를 제공하는 것으로 보여질 때 사용된다.
The belief in a conclusion based on inductive reasoning is highly probable and based on evidence that can be seen and measured but is not 100% certain. Inductive reasoning is a tool for making well informed educated guesses using all the available data and information you have at the time. It doesn’t mean you will be correct but this type of reasoning will give you the best estimation you can make based on the current known facts.
귀납적 추론에 근거한 결론에 대한 믿음은 개연성이 높고, 보고 측정할 수 있지만 100% 확실하지는 않은 증거에 근거한다. 귀납 추론은 그 당시 당신이 가지고 있는 모든 이용 가능한 데이터와 정보를 사용하여 잘 알고 있는 지식을 갖춘 추측을 하는 수단이다. 그것은 당신이 옳을 것이라는 것을 의미하지는 않지만, 이러한 유형의 추론은 현재 알려진 사실들에 근거하여 당신이 할 수 있는 최고의 추정을 제공할 것이다.
Deductive reasoning is a tool you use when you don’t know something to be a fact 100% or you are having to make the best decision in an uncertain environment.
차감 추론은 당신이 어떤 것이 100% 사실인지 알지 못하거나 불확실한 환경에서 최선의 결정을 내려야 할 때 사용하는 도구다.
The different types of inductive reasoning:
다양한 유형의 귀납 추론:
Generalization: Drawing a general conclusion about all of a group based on an observation. All the chickens I have seen are white, so all chickens must be white.
일반화: 관찰에 기초하여 그룹 전체에 대한 일반적인 결론을 도출한다. 내가 본 닭은 모두 흰색이니 , 모든 닭은 흰색이어야 한다.
Statistical: Make a high probability guess based on statistics. If 90% of all chickens are white then out of ten chickens, nine should be white.*
통계: 통계에 근거하여 높은 확률의 추측을 한다. 전체 닭의 90%가 흰색이라면 10마리 중 9마리는 흰색이어야 한다.*
Sample: Making an educated guess about others based on a sample size. If nine out of ten chickens on this farm are white then 90% of chickens will be white on my neighbors farm.
표본: 표본 크기에 따라 다른 사람에 대해 학습된 추측을 한다. 만약 이 농장의 닭 10마리 중 9마리가 백색이라면 내 이웃 농장의 닭의 90%가 백색이 될 것이다.
Analogous: Makes a conclusion based on the shared attributes(속성) of two types of things. 90% of chickens are white and ducks are birds like chickens so 90% of ducks are probably white too.
유추: 두 가지 유형의 공통 속성에 기초하여 결론을 내린다. 닭의 90%는 흰색이고, 오리들은 닭과 같은 새들이기 때문에 오리들 중 90%도 아마 흰색일 것이다.
Predictive: Makes a conclusion by using a prediction from a past sample of data. When I went to this farm three years ago 90% of the chickens here were white so when I go back tomorrow 90% of the chickens are likely to be white again.
예측: 과거 데이터 샘플의 예측을 사용하여 결론을 내리십시오. 내가 3년 전에 이 농장에 갔을 때 여기 있는 닭의 90%는 흰색이어서 내일 돌아가면 닭의 90%는 다시 흰색이 될 것 같다.
Causal inference: Makes a conclusion using a causal connection. 90% of chickens on this farm are white. I just saw a white bird in the woods behind the farm. The bird I saw was likely a chicken.
인과 추론: 인과관계를 이용하여 결론을 내린다. 이 농장의 닭의 90%는 흰색이다. 나는 방금 농장 뒤쪽의 숲에서 흰 새 한 마리를 보았다. 내가 본 새는 아마 닭일 것이다.
*(All chicken color data used in this post is fictitious.)
*(이 게시물에 사용된 모든 치킨 컬러 데이터는 픽션임)
Inductive reasoning can be a tool to use for a higher probability of having a correct assumption over randomness. However it can be dangerous when used to see links that are not really there or to assume too much from a limited set of data. In the business, investing, and trading world inductive reasoning must be used a lot of the time because in those environments people must manage so much uncertainty in the future that they can only make the best decisions possible using the available data. The quality of decisions using inductive reasoning are based on the value and real connections(연결) of the data to reality.
귀납추론은 무작위성에 대한 정확한 가정을 가질 확률이 더 높은 데 사용하는 도구가 될 수 있다. 그러나 실제로 존재하지 않는 링크를 보거나 제한된 데이터 세트에서 너무 많은 것을 가정할 때 사용하는 것은 위험할 수 있다. 사업에서, 투자와 거래 세계 귀납 추론은 많은 시간 동안 사용되어야 한다. 왜냐하면 이러한 환경에서 사람들이 이용 가능한 데이터를 사용하여 가능한 최선의 결정을 내릴 수 있는 미래에 많은 불확실성을 관리하여야 하기 때문이다 미래에 너무 많은 불확실성을 관리해야 하기 때문에 . 귀납적 추론을 이용한 의사결정의 품질은 데이터의 가치와 실제 현실과의 연결에 기초한다.