Capítulo 2 Why Is Philosophy of Science Important?

Visão geral
Há razões urgentes práticos para tentar descobrir as diferenças entre
o conhecimento científico e outros tipos de conhecimento, se houver.
Questões de ordem pública e do bem-estar individual depender de ser
capaz de dizer a ciência da pseudociência. No entanto, isso não é tão fácil
como muitos poderia esperar. Além de chamar sobre a filosofia para ajudar
a distingui-lo de outros empreendimentos humanos, a ciência continua a ter
um impacto profundo sobre a agenda da filosofia. O seu impacto sobre o
resto da cultura é igualmente significativa, e seu impacto entre culturas
parece exclusivamente universal. E se isso é verdade, exige explicação.
Resumo
O lugar especial da ciência como fonte de conhecimento objetivo
levanta questões sobre como ele protege esse conhecimento e se existem
alternativas fontes ou meios de o fixar. Porque ele sempre proporcionou um
influente descrição da realidade, a ciência tem sido historicamente a maior
força na a forma de pressionar problemas filosóficos. De fato, algumas
filosóficas problemas de acompanhar as mudanças na ciência natural. Como
os filósofos pensam sobre a mente e seu lugar na natureza, livre arbítrio
versus determinismo, o significado da vida, todos são profundamente
afectados por desenvolvimentos científicos. Como descrições da ciência da
realidade ter mudado ao longo dos séculos, os problemas filosóficos
mudaram também.
Desde que a ciência é sem dúvida a única característica distintiva da
civilização ocidental que todo o resto do mundo assumiu, ciência
entendimento é uma parte importante de se confrontar com a influência-se
bom ou bad-que o Ocidente tem tido sobre outras culturas. Responder a
esta pergunta exige que nós entendemos o que é ciência. A filosofia tem
uma reivindicação melhor do que outras disciplinas a serem autorizados a
dar uma primeira resposta à pergunta do que a ciência consiste em.

Perguntas de estudo
1. Dada a quantidade de mudança na concepção científica do mundo
ao longo dos séculos, não filosofia prestar muita atenção as suas conclusões
e teorias em lidar com filosófica problemas?
 2. Defender ou criticar: "A filosofia é muito mais difícil do que a
ciência, mesmo que não haja nenhuma matemática e nenhum laboratório ".
3. Defender ou criticar: "Se não houver nenhuma prova de fogo que
vai dizer a ciência de pseudo, não existe qualquer diferença entre eles em
tudo ".
4. "Como um inquérito de mente aberta e objetiva sobre a natureza
do mundo, a ciência deve acolher o tipo de pesquisa pouco ortodoxa que
uma agência como o Escritório de Medicina Alternativa é destinado a
incentivar. "Há boas razões para esta afirmação?
5. defender ou criticar: "A alegação de que a ciência é um ocidental
exclusivamente contribuição para o mundo é etnocêntrica, desinformados e
irrelevante para a compreensão de caráter ciência ".
6. A filosofia da concepção científica da natureza da ciência competir
com a sociologia da concepção de ciência da sua natureza?

Capítulo 3 - Scientific Explanation

Visão geral
A ciência, como outras atividades humanas, é uma resposta à nossa
necessidade de compreender o mundo. A forma como ele faz isso é
diferente de, possivelmente, competindo atividades como a religião,
mitologia, ou para que o assunto comum sentido. E pretende fornecer
explicações objetivas superiores em aspectos que valorizamos a estas
alternativas.
Abordagens alternativas de como a ciência explica reflectir
fundamentais diferenças filosóficas que remontam a Platão, entre os que
ver explicação científica, como prova matemática, como algo que descobrir
e aqueles que tratá-la como algo que os humanos criam. Lógico positivistas
teve como objetivo formular um padrão ideal de explicação para cientistas a
aspirar. Outros filósofos procuraram compreender o raciocínio nas
explicações que os cientistas realmente dar.
Um ponto de partida para compreender focos explicação científica
sobre o papel das leis da natureza. As leis científicas têm força explicativa
presumivelmente porque eles descrevem a forma como as coisas têm que
ser. Mas o forma como as coisas têm de ser, a necessidade de leis da
natureza, é muito difícil para entender a partir do ponto de vista científico.
para científica observação e experimentação nunca mostram como as
coisas têm de ser, única como são as coisas.
4A insatisfação com as respostas dos positivistas lógicos a esta
pergunta mudou o foco de alguns filósofos da ciência longe de leis como
explicativo. Esta abordagem leva a uma teoria de explicações, que se
concentra em como explicações responder a perguntas das pessoas, em vez
de quais os ingredientes que eles devem ter para ser científico. dando bons
motivos que os seus fenômenos explanandum eram de se esperar. Se se
pode deduzir a ocorrência do evento ou processo a ser explicada de uma ou
mais leis e condições de contorno, vamos ter satisfeito este requerimento.
Assim, os requisitos para a explicação científica sobre este ponto de
vista são
1. Os explanans implica logicamente o explanandum-afirmação.
2. Os explanans contém, pelo menos, uma lei geral que é necessário
para o validade da dedução.
3. Os explanans deve ser testável.
4. Os explanans deve ser verdade.
Cada uma destas condições levanta sérios problemas filosóficos.
Um problema particularmente importante é o de exatamente por isso
que as leis explicar. Leis são realizadas para explicar ou porque eles relatam
dependências causais ou alternativamente, porque expressam algum tipo
de necessidade na natureza. Isto é o assunto do Capítulo 4.
Muitas explicações da ciência física ea maioria explicações em geral
falha explicitamente para satisfazer este modelo. Expoentes da D-N
explicação argumentam que explicações pode, em princípio, o fazer, e
devem, se eles são para fornecer verdadeira explicações. É claro que muitas
explicações aproximadas para o modelo D-N e para muitas finalidades tais
"esboços de explicação" são bons o suficiente.
Outros filósofos rejeitam tanto o modelo D-N e sua motivação. Ao
invés de uma busca por um padrão objetivo para a medição explicações
para a adequação científica, eles se concentram em tentar descobrir a
lógica do explicações cientistas, físicos, biológicos, sociais e
comportamentais, na verdade, dar. Uma razão para encontrar essa
estratégia alternativa atraente surge quando considerarmos a conta do
positivismo lógico de explicações estatísticos, o indutivo-estatística, os I-S,
modelo. Para saber se uma generalização estatística é explicativo parece
ser uma questão do que se sabe sobre a população a forma de informações
de fundo por aqueles pedindo a explicação e aqueles que oferecem isso.
Mas a abordagem alternativa "pragmática" a explicação não faz
sucesso identificar o que distingue as explicações científicas de não-
científica queridos. Isto leva a problemas sobre as leis e teorias que
conferem explicação que explorar nos próximos capítulos.
Perguntas de estudo
1. defender ou criticar: "A D-N ou cobrindo lei não acende a natureza
da explicação. Se alguém quer saber por que aconteceu x sob condições de
y, não é esclarecedor para ser dito que x é o tipo de coisa que acontece
sempre em condições y ".
2. Defender ou criticar: "O modelo D-N representa uma adequada
aspiração de explicação científica. Como tal, o fato de que é não atingível é
nenhuma objeção a sua relevância para a compreensão Ciência."
3. Pode o modelo D-N acomodar o exemplo bandeira-pólo?
4. Exatamente onde fazer o pragmática e as contas D-N de explicação
conflito? ambos podem estar certo?
5. defender ou criticar: "A abordagem pragmática da explicação
fornece um relato de como usamos as palavras "explicação" e
'Compreensão'. Ele não iluminar o que explicação e compreensão realmente
são. "

Capítulos 2 e 3, sobre a explicação científica, introduzir o modelo D-N

e discutir seus problemas: em primeiro lugar, a dificuldade de entender o
que necessidade nomológica, necessário para leis para ser explicativo, pode
consistir em; em segundo lugar, os problemas no tratamento de explicações
estatísticas; terceiros, problemas na contabilização das assimetrias de
explicação (como sombra mastro de Bromberg exemplo); e quarto, a
discrepância entre o relato teórico uniforme de explicação e a diversidade
de explicações que são aceitos na prática. Estes capítulos abrangem
também o principal vistas que se seguiram à morte do modelo D-N: a
caracterização da explicação em termos de causalidade ou em termos de
unificação dos fenômenos, e vistas pragmáticas de explicação. Rosenberg
também discute a visão de que as explicações devem ser «satisfatória e
compreensível", como alguns ter pensado única teleológica ou
"necessariamente verdade" explicações pode ser.
Capítulo 4 - Why Do Laws Explain?
Visão geral
Independentemente de qual abordagem que adotamos para a
natureza do conhecimento científico explicação, ainda precisamos de
abordar a questão de por que as leis explicar. Sem dúvida, algumas
explicações científicas pode fazer sem explicitamente citando leis, e às
vezes regularidades que não são realmente leis da natureza são o suficiente
para fornecer alguma compreensão científica. Mas mesmo quando não
estiver indicado, as leis parecem estar sempre em algum lugar no fundo
fazer as conexões explicativas. Então, nós ainda precisamos entender por
que as leis têm um lugar particularmente central na ciência. Sobre o que é
isso leis da natureza que os torna explicativo? Por que científica
compreender centralmente envolvem a busca de leis da natureza? Neste
capítulo, localizar o que tem sido amplamente aceito para ser o fonte dos
poderes "leis de explicar: a sua necessidade. Os introduz capítulo as formas
vários filósofos tentaram lidar com a sepultura problema metafísico sobre a
ciência ea realidade que é gerado pela poder de leis para explicar. Este
problema metafísico surge repetidamente na filosofia da ciência, apenas por
causa da centralidade de leis para o empreendimento da ciência.

Resumo
É difícil negar que cientistas procuram leis da natureza, e que essas
leis são diferentes das regularidades acidentais que detêm apenas
temporariamente e coincidentemente na história do universo. Leis de fato
são realizadas para ser diferente a partir de, e até mesmo do que as
regularidades acidentais "mais fortes" que pode, por todos nós sabemos
mantenha ao longo da história do universo. Este fato sobre leis, que eles
parecem se ligar o seu antecedente às suas consequentes necessariamente,
precisa ser explicado. É óbvio que a tarefa é uma ciência não endereço, mas
que precisa ser descarregada se quisermos entender por que as leis
explicar.
A diferença entre as leis e regularidades acidentais reflecte-se no fato
de que as leis são indispensáveis para decidir qual condicional contrafactual
declarações que aceitar como verdade e agir de acordo e que rejeitamos
como falsa. Mas esse papel não pode explicar a diferença entre leis e
regularidades acidentais. Suporte para counterfactuals é um sintoma da
filosofia diferença da ciência procura explicar. Suporte para counterfactuals
é também uma marca de afirmações causais, seja na ciência ou na vida
cotidiana. Isto sugere uma conexão entre leis e causalidade que empiricsts
têm reclamado desde Hume. É claro que esta conexão apenas amplia a
gravidade do problema de onde a necessidade física ou causal vem. Neste
capítulo temos sondada várias dessas explicações, bem como algumas
tentativas de explicar a diferença e até mesmo para explicar fixação dos
cientistas para leis como meros dispositivos heurísticos. Mas o problema de
como entender necessidade física ou natural não pode ser evitado mesmo
por abordagens que parecem negar existem leis.
Na verdade, todo o debate sobre a natureza das leis revela
claramente o quanto os problemas da filosofia da ciência recapitular os
problemas fundamentais que absorveram filósofos desde Platão: o realismo
sobre as leis vai de volta para os diálogos de Platão, e sua negação a
famosa obra de Aristóteles, Metafísica, que começou a busca do sub-
disciplina da filosofia chamado para ele. A busca por necessidade nos
objetos, entre os assuntos locais de particular verdade, tem sido uma
preocupação de filósofos como Locke e Leibniz, enquanto outros, como
Berkeley e Hume têm argumentado que há não poderia ser qualquer cola
metafísica nos objetos. Nos capítulos posteriores, voltará a ver como a
compreensão da ciência nos obriga a assistir a estes questões perenes na
filosofia ocidental.

Perguntas de estudo
1. A maioria dos exemplos de leis da natureza vêm de física e
química. Explicar por que isso é assim.
2. De acordo com o texto, apoiando condicionais contrafactuais é um
sintoma de necessidade económica, que não faz parte da explicação da
mesma. um argumento pode ser feito que o apoio contrafactual é apenas o
que necessidade económica consiste em?
3. Podemos observar diretamente causalidade cada vez que vemos
um par de tesoura cortar ou uma libra martelo? Se pudermos, o que
filosófica problemas que isso pode resolver?
 4. Que conta a natureza da explicação científica, a cobertura
abordagem lei ou a abordagem pragmática, pode dispensar o afirmam que
as leis têm necessidade económica?
5. Poucos não-filósofos são platônicos. Muitos filósofos "científicas"
estamos. Explicar o porquê.
6. Fornecer alguns argumentos para o realismo sobre objetos
abstratos.
7. Se as leis da natureza são verdadeiras por definição, o problema do
porquê eles carregam a necessidade é fácil de lidar. Por isso e é possível tal
um argumento ser montado?
8. defender ou criticar: "O problema da necessidade económica é um
bom exemplo do tipo de pseudo-questão que positivistas lógicos procurou
evitar. Eles tinham razão para fazê-lo, uma vez que não podem ser
resolvidos e não precisa de ser resolvido para fins científicos. "

Capítulo 4 discute a estrutura e a metafísica de teorias científicas. Ele

descreve o fracasso de a abordagem hipotético-dedutivo para lidar com a
questão do estatuto de não observável entidades posta em teorias
científicas, e esboça o debate contemporâneo entre realistas e
instrumentistas. A conta semântica das teorias é introduzido em uma
discussão sobre o papel da modelos na ciência.

Capítulo 5 - Causation, Inexact Laws and Statistical Probabilities

O capítulo 5 do livro de Alex Rosemberg refere-se a uma análise da

explicação científica causal. Mais precisamente, o objetivo do capítulo é
discutir a noção de causalidade como uma explicação científica, dado a sua
importância na explicação do universo ao relacionar eventos, estados e
processos que caracterizam a realidade e também a sua importância,
especialmente, para as ciências além da física, nas quais não se aplicam o
modelo dedutivo-nomológico devido a dificuldade no estabelecimento de
leis naturais. Especialmente, o capítulo trata do problema em distinguir
entre causas e meras condições de um fenômeno, algo que precisa ser
resolvido para considerar a noção de causalidade como explicação.
Baseado em Aristóteles, a noção de causalidade mais aceita pela
ciência é denominado “causa eficiente” e refere-se à descrição do evento
imediatamente anterior ou que dá origem (produz) o fato que se deseja
explicar. Contudo, um primeiro problema da ciência é distinguir entre
sequências causais (causa e efeito) e uma mera coincidência de fatos que
ocasionam leis e generalizações acidentais. A saída é reconsiderar a
natureza da causalidade, dissociando das leis da natureza, como tem sido
feito por cientistas sociais e comportamentais que oferecem muitas
explicações causais, embora tenham descoberto poucas leis que comparam
com os da física e da química em termos de poder explicativo e
confiabilidade preditiva. O segundo problema é distinguir a causa de um
evento de uma simples condição necessária. Por vezes, o que cientistas
consideram a causa de um evento, na verdade não passa de uma condição
necessária, dentre outras tantas que possam existir.
Em respostas a esses problemas da causalidade como explicação
científica Rosemberg adiciona a ideia de experimento: A provoca B, se
ocorrido uma intervenção A, houve uma alteração em B. Intervenções
permitem identificar causas e justificar as explicações que provém delas, ou
seja, por meio de experimentos controlados é possível compreender quais
manipulações de A podem efetivamente mudar B sem buscar qualquer lei
sobre esses dois estados. Entretanto, essa explicação causal apenas pela
noção de intervenção e sem o estabelecimento de leis apresenta é
acompanhada de alguns problemas. Primeiro, a dificuldade em identificar
intervenções não manipuladas pelo homem, ou seja, identificar quando um
evento ocorrido por outros meios pode ser considerado uma intervenção ou
não. Segundo, o problema de circularidade nas explicações causais (A
explica B ou B explica A). Terceiro, a presença de regularidades que são
invariantes.
Para explicar um fato o fenômeno é preciso conhecer as condições
que, juntas com a causa, permitem gerar o efeito. Entretanto, se o número
de condições for muito grande, a explicação pode não ser possível, ou seja,
na ideia de experimento, não é possível manipular ou intervir em todas as
condições. Isto implica que para a explicação causais é necessário incluir
para todas as condições, exceto a que se deseja explicar, o estado de
permanecer constante como uma condição necessária, denominado, ceteris
paribus. Para as ciências além da física essa é condição sempre incluída
implícita ou explicitamente nas explicações causais. Contudo, essa condição
ocasiona uma dificuldade na demarcação da ciência. Quanto maior o
número de condições que precisam ser mantidas constantes, menor é grau
de verificação da explicação, o que torna difícil a distinção entre ciência,
pseudociências e não ciências. Exemplificando, encontrar uma condição
contrária a uma explicação, não permite refutá-la.
As explicações nas ciências não físicas também recorrem ao uso de
probabilidades e regularidades estatísticas. Contudo, a dificuldade está nas
condições que podem ser entendidas como relações causais, pois a simples
correlação estatística entre dois estados, por si só, não reflete uma conexão
causal. Por exemplo, dizer que quando A ocorre a probabilidade de B ocorrer
é de 50% é diferente de dizer que uma pessoa que fuma tem 17% contra
1,3% de quem não fuma de contrair um câncer de pulmão. Este último
exemplo permite concluir que fumantes podem não ter câncer, como
também não fumantes podem ter câncer, portanto há necessidade de
incluir nesse modelo de previsão outras condições causais necessárias.
Portanto, o que torna a variável fumar um preditor do câncer de pulmão,
que justifica sua explicação causal? Fumar pode ser dito como causador do
câncer quando em todas as condições conhecidas (aleatoriedade) fumar é
correlacionado com uma grande incidência de câncer. Sendo assim, o
desafio é identificar condições epistêmicas, requerimentos que precisam ser
satisfeitos para regularidades estatísticas serem consideradas explicações
causais.
Estes problemas da causalidade (causa ou condição necessária,
ceteris paribus e probabilidade) sugerem a necessidade de uma
característica fundamental que as explicações devem ter em comum que as
permitam garantir um entendimento. Uma das ideias é a de unificação, que
se trata da redução ao máximo do número de crenças básicas que temos
sobre o mundo, as quais devem ser interpretadas juntas para unificar a
explicação de fenômenos díspares. O conceito de unificação reflete a
derivação de leis mais específicas para leis mais gerais, diminuindo a
quantidade de crenças a um número menor possível. A ideia é que a
compreensão humana do mundo aumenta na medida em que o número de
explicações se torna menor. O universo pode ser dito como simples, e,
portanto os processos causais que dão origem a todos os fenômenos são
pequenos em número.

Capítulo 6 - Laws and Explanations in Biology and the “Special

Sciences”
 Mas, além da unificação, as pessoas têm procurado ainda mais a
partir científica explicações: propósito HORTY e inteligibilidade. Tanto a
explicação de ação humana e de processos biológicos prosseguir citando
seus propósitos ou metas para explicar o comportamento (pessoas
trabalham para ganhar dinheiro, o coração bate, a fim de fazer circular o
sangue). Por um lado, estas explicações não parecem ser causal; depois de
todo o explanans-os fins ou metas de obter após o explanandum-os meios
para atingir a meta-nesses casos. Por outro lado, propositada explicações
em biologia e especialmente nas ciências humanas interpretativas parece
mais satisfatório do que explicações em física. Além disso, ciência física
descartou a possibilidade de futura causalidade, mesmo que o senso
comum nunca permitiu a sua possibilidade. Então, se e como estes
"teleológica" - goal-directed-explicações pode ser conciliada com qualquer
coisa como explicação causal é um problema a ser resolvido.
O apelo de explicações teleológicas e interpretativos por contraste
para aqueles causais nos coloca face a face com um desafio alegadamente
ciência rosto em geral: ele só explica o como das coisas, e nunca realmente
dá uma conta satisfatória de por que eles acontecem. este tradicional
denúncia de que explicação científica realmente não nos dizem por que as
coisas acontecem a maneira que fazem vem com uma expectativa de que a
completa e explicação final de coisas, de alguma forma revelam a
inteligibilidade do universo ou mostrar que a forma como as coisas estão
nele é a única maneira que eles poderia ser. tentativas historicamente
famosos para mostrar essa necessidade reflectir uma visão
fundamentalmente diferente da natureza do conhecimento científico da que
anima a filosofia contemporânea da ciência.

Resumo
explicação científica tem sido tradicionalmente reuniu-se com
insatisfação por aqueles que exigem tanto que tal explicação mostrar o
propósito, design ou significado dos processos naturais, e não apenas
mostrar como eles chegaram a acontecer. Este demanda por causa final ou
explicação teleológica remonta a Aristóteles. relatos contemporâneos de
explicação teleológica em biologia explorar descoberta de como a variação
e seleção natural cega pode dar origem de Darwin ao aparecimento de
propósito. A teoria de Darwin nos ajuda a ver que teleológica explicação é
apenas uma forma complexa e disfarçada de explicação causal.
Onde explicações funcionais nas ciências da vida não são tão para ser
entendido, isso é porque eles desempenham um papel totalmente diferente,
elucidando complexo processos, identificando as contribuições-as causais
funções de que as peças de um sistema maior jogar em entregar o
comportamento complexo. Se podemos lidar com explicações
aparentemente teleológicos no ciências humanas nas mesmas maneiras
gira em torno de se e como cognitiva das pessoas e atitudes emocionais
explicar o seu comportamento, causalmente, ou em alguma outra forma
que isenta as ciências humanas a partir dos métodos de os naturais
cientistas sociais e alguns filósofos têm procurado por muito tempo tal
isenção porque a interpretação da ação humana parece transmitir uma
inteligibilidade que a explicação causal nas ciências naturais carece.
Existe alguma base para esperar ou exigir algo mais de científico
explicação do que a identificação de causas contingentes, algo que faria
suas explicações realmente atraente? Há uma tradição, que remonta pelo
menos ao filósofos do século XVIII Leibniz e Kant, de argumentar que
explicação científica tem que mostrar em última análise, que a ciência da
descrição da realidade não é apenas verdade, mas necessariamente,
logicamente verdadeiro. Que revelaria que a forma como o mundo é, é a
única maneira que poderia ser. Nós temos boas razões para pensar que
qualquer tentativa de estabelecer uma tal conclusão é ligado falhar. Na
verdade, se fosse para ter sucesso, que seria duramente pressionado para
explicar muito do caráter falível e de auto-correção do conhecimento
científico.

Perguntas de estudo
1. defender ou criticar: "O fato de que a explicação científica não
pode prever a inteligibilidade ou necessidade de coisas, é um bom razão
para procurar outro lugar. "
2. Será que a teoria darwinista da seleção natural mostram que há
existe tal coisa como propósito na natureza ou ele mostra que existem
propósitos e eles são perfeitamente processos naturais, causal?
 3. Existe alguma maneira de combinar a seleção natural darwiniana
abordagem para a função biológica com a abordagem papel causal devido a
Cummins?
4. Existem diferenças importantes entre os modelos e ceteris inexatas
leis paribus nas ciências especiais?
O Capítulo 6 discute O relato de Kuhn de escolha teoria e Quine
significando holismo e do naturalismo.

Capítulo 7, em seguida, retorna à questão levantada no primeiro

capítulo: o que fazemos com a alegação da ciência para o objetivo
conhecimento?
O estilo do livro é inspirado pela crença na máxima "dizer-lhes o que
você vai dizer, diga-lhes, e, em seguida, dizer-lhes o que você disse ", com
uma apropriada além de filósofos:" e, em seguida, pedir-lhes para
argumentar que você estava errado ". Cada capítulo contém uma visão
geral e resumo, e termina com uma série de questões de estudo. Isso
funciona bem para destacar questões centrais, e muitos dos perguntas são
excelentes guias para obter os alunos a pensar sobre os temas abordados
em cada capítulo.
O glossário de termos técnicos, todos introduzidos em negrito no
texto, também é útil. No entanto, algumas questões importantes não são
claramente explicadas. Um exemplo é a discussão do pragmática da
explicação. Depois de mencionar que as perguntas com a mesma
formulação pode conter diferentes pedidos explicativas, por exemplo, uma.
"Por que o mordomo matar a condessa?" E b. "Por que o Butler matar a
condessa? ", Rosenberg (p. 40) introduz o conceito de Van Fraassen de um"
contraste classe 'assim: "chamar a todas estas perguntas diferentes
expressible pela mesma frase o" contraste classe "." Mas a classe de
contraste não é o conjunto de diferentes questões (como a. e b.) exprimível
por a sentença sintática e semanticamente idênticos. Em vez disso, a classe
de contraste é o conjunto de proposições alternativas de que um
determinado interlocutor está pedindo, na verdade, por que eles não
ocorreu, ao contrário do que fez. Assim, no caso de um. acima, a classe de
contraste pode ser < 'o jardineiro morto a condessa ',' a contagem de
mortos a condessa ', etc.>, e no caso b. < 'O mordomo bateu o condessas,
'O mordomo ignorou a condessas, etc.>. Esta definição equivocada torna a
discussão subsequente difícil de seguir.
Ainda assim, até o capítulo final, a discussão é em geral informativo e
bem equilibrada, e a cobertura de temas é bom. Estas virtudes desaparecer,
no entanto, quando voltamos para a questão da afirmação de ciência para o
conhecimento objetivo. Rosenberg enquadra o debate como um entre os
que tomam os escritos de de Kuhn e Quine como levando a epistêmica
relativismo, e os defensores de objetividade científica. Embora haja alguma
discussão sobre o trabalho de estudiosos como Bloor e Feyerabend, para
efeitos do capítulo "relativistas epistêmicas" incluem todos, desde
sociólogos da ciência para humanistas "anti-cientificistas" e simpatizantes
da astrologia. Como tal agrupamento torna óbvio, os opositores da
objetividade científica não são levadas a sério. Rosenberg descreve o
relativismo como líder inevitavelmente à conclusão de que as mudanças nas
teorias científicas são tão irracional quanto as mudanças na moda, e para a
visão de que a ciência é "apenas uma outra religião" (p. 165).
Relativism também é caracterizada como "profundamente
incoerente" (p. 168), pela razão de que quando familiarizados se nega
padrões universais de verdade objetiva, um está se tornando uma pretensão
de verdade universal. No entanto, Rosenberg escreve, este "argumento
reductio ad absurdum é uma questão de indiferença para com oponentes da
objetividade na ciência interessado não em convencer os outros, mas na
defesa dos seus própria visão como invencível "(pp. 168-169). Esta retrata o
relativista tanto como avançar um posição incoerente e não está
interessado em uma discussão séria.
No entanto, o relativismo epistêmico vem em muitas formas, e não
todos eles enfrentam esta acusação de incoherence. Ninguém pode negar
que temos boas razões para acreditar que há universal padrões de
conhecimento objetivo, e ainda privilegiam certas formas de conhecimento
encontro porque eles servem os interesses humanos importantes, como
previsão e controle do mundo natural, particularmente bem. Esta afirmação
pode ser coerentemente afirmar como verdadeira em relação a
determinadas normas, que o relativista pode alegam que existem boas
razões para aderir. filósofos pós-kuhnianos e sociólogos da ciência como
Rorty, Latour, Shapin, Bloor e Smith argumentam que os padrões surgem
em sociedade como um todo e dentro de comunidades científicas para
servir vários fins. Longe de reclamar que "vale tudo" na medida em que o
conhecimento está em causa, eles explicam como normas emergindo e
permitindo que os processos comuns de valor, do comércio e da medicina
com a linguagem. Talvez isso é tudo a "objetividade" podemos
razoavelmente perguntar ciência de ter. O livro de Rosenberg, no entanto,
vai deixar os alunos com a impressão de que essa relativização dos padrões
de conhecimento para os interesses humanos significa abrir a porta à
acusação de que a ciência moderna não é senão uma "cega, narrowminded,
patriarcal, capitalista e paradigma provavelmente racialista "(p. 173). Em
suma, Rosenberg faz estudantes um desserviço ao retratar a escolha de um
entre acordo status epistêmico igual a ciência e charlatanismo e ciência
adorando como o provedor da verdade objetiva. Fazendo assim, ele não
consegue atingir propósito declarado do livro: fornecer uma visão geral dos
melhores argumentos atual no campo e para permitir que os alunos a
avaliar de forma inteligente o estado do conhecimento científico.

7 A Estrutura das teorias científicas

Visão geral
Quantas vezes você já ouviu a opinião de alguém baixado com o
declaração: "Isso é apenas uma teoria"? De alguma forma em Inglês
ordinário
termo "teoria" passou a significar um pedaço de classificação especulação
ou, no máximo
uma hipótese ainda em aberto a dúvida séria, ou para as quais não existe
ainda
provas suficientes. Esse uso é estranhamente em desacordo com o
significado
do termo como cientistas usá-lo. Entre os cientistas, por isso, longe de
sugerir
tentativeness ou incerteza, o termo é frequentemente usado para descrever
uma sub-disciplina estabelecida em que há leis amplamente aceitas,
métodos, aplicações e fundações. Assim, os economistas falam de
"Teoria dos jogos" e físicos da "teoria quântica", biólogos usam o
termo "teoria da evolução" quase como sinônimo de evolução
biologia, e "teoria da aprendizagem" entre os psicólogos comporta muitos
diferentes hipóteses sobre uma variedade de fenômenos muito bem
estabelecidas.
Além de seu uso para citar toda uma área de investigação, na ciência
"teoria"
significa também um corpo de hipóteses explicativas para os quais não é
forte
suporte empírico.
Mas como exatamente uma teoria fornece tais sistematização explicativa
de fenômenos díspares é uma pergunta que precisamos responder.
Os filósofos da ciência prendido por muito tempo que as teorias explicam
porque, como
geometria ou newtoniana mecânica de Euclides, são deductively
sistemas organizados. Não deve ser nenhuma surpresa que um expoente da
modelo D-N de explicação deve ser atraídos por este ponto de vista. Afinal,
no modelo D-N, a explicação é a dedução, e as teorias são mais
explicações fundamentais dos processos gerais. Mas, ao contrário dedutiva
sistemas em matemática, teorias científicas são conjuntos de hipóteses,
que são testados por logicamente decorrente consequências observáveis de
eles. Se essas conseqüências são observadas, no experimento ou outros
dados
coleção, então as hipóteses, que as observações do ensaio, são
provisoriamente
aceitaram. Este ponto de vista da relação entre a teoria científica
e testes científicos é conhecido como "hipotético-dedutivismo." É
intimamente associado com o tratamento de teorias como sistemas
dedutivos,
como veremos.
Nosso tratamento da natureza das teorias e como eles funcionam
rendimentos
pelo estudo de uma teoria particular importância, mecânica de Newton.
Nós empregamos essa teoria para iluminar questões sobre teoria
geral. Mas também mostram por que, em muitos aspectos, efetuou uma
completa
mudança radical na concepção da civilização ocidental do universo e nossa
lugar dentro dele.

Resumo
As teorias são conjuntos de leis que trabalham em conjunto para explicar
regularidades empíricas
por derivação das referidas regularidades e muitas vezes também por
explicar as excepções
e contra essas regularidades empíricas enfrentar. Mas fazer precisas
como as leis que compõem uma teoria fazer isso não é fácil e quase
certamente
obriga-nos a vir a enfrentar questões de causalidade e com a necessidade
de
afirmações sobre fenômenos não observáveis. Estes tópicos são aquelas
inevitáveis
difícil para os empiristas de lidar. Desde o empirismo é o "default" ou
epistemologia oficial das ciências, a natureza das teorias e seu papel central
em toda a ciência levanta uma série de dificuldades para a filosofia da
ciência
com o qual teremos de lidar.
Enquanto isso, independente dos problemas epistemológicos que a natureza
das teorias levanta para a filosofia, é importante ressaltar a mais ampla
importância conceitual e histórica de algumas teorias científicas,
especialmente
mecânica newtoniana. Suas realizações na explicação e sistematização
dos conhecimentos em toda a física ao longo de muitos séculos
revolucionou o
paisagem do pensamento ocidental. Isso fez com que vale a pena trabalhar
através do
levando idéias da mecânica newtoniana e esboçar como eles derrubaram
uma
Visão de mundo que tinha governado ciência e civilização por pelo menos
2.000 anos.

8 epistêmica e questões metafísicas

Sobre teorias científicas
Visão geral
Teorias são indispensáveis para a compreensão científica, à unificação
do conhecimento científico, para aprofundar as suas explicações, a
aumentar a precisão de suas previsões, e de promover a sua evolução
tecnológica
aplicações. Além disso, como vimos no último capítulo, alguns
teorias são tão grandes em suas implicações que eles efeito revoluções
na ciência e na cultura de forma mais ampla.
Mas, ao mesmo tempo, existem características de teorias científicas que
levantar questões profundas sobre a natureza, extensão e justificativa
as reivindicações de conhecimento sobre o mundo com base nelas. Para a
extensão
estas questões epistemológicas estão sem solução ou sem resposta, por
todas as teorias de impacto têm, seus fundamentos e, portanto, as suas
implicações
pode ser contestada. Na realidade, é em parte devido aos problemas
para o conhecimento humano que as teorias científicas levantar que
permaneçam
controverso mesmo entre os cientistas, alguns filósofos e muitos
pessoas comuns.
Neste capítulo e no seguinte, começamos a exploração destes epistêmica
problemas. Eles irão surgir de novo em todo o resto deste livro.
Primeiro vamos considerar a natureza do progresso científico, que é
tradicionalmente
retratado como revelando como a natureza é unificado através da
unificação
das teorias científicas. Mas a maneira em que as teorias foram unificadas
na ciência física, especialmente levanta dificuldades para o empirismo em
aceitar as teorias científicas de todo. Se o empirismo é incompatível com
teorizando, então, presumivelmente, o problema está com o primeiro.
Alguns filósofos da ciência são preparados para rejeitar as teorias científicas
para
teoria epistemológica. Por outro lado, os cientistas insistem em decidir
entre teorias empiricamente. Estas abordagens do problema de
aterramento teoria em evidência nos levar da epistemologia para a
inevitável
perguntas sobre a metafísica da ciência-se devemos tratá
sua existência afirma como verdadeiro ou mesmo aproximadamente
verdadeira.

Resumo
A conta axiomática das teorias científicas explica como o teórico
leis de uma teoria trabalham juntos para fornecer uma explicação de um
grande número
de regularidades empíricas ou observáveis por tratamento de teorias como
deductively
sistemas organizados, nos quais as hipóteses são hipóteses confirmadas
pela
as observações confirmam que a generalização derivadas a partir delas.
este
concepção de leis como hipóteses testadas pelas consequências deduzidas
deles é conhecido como "hipotético-dedutivismo," uma conta bem
estabelecido de
como as teorias e experiências são reunidas.
Teorias explicam frequentemente, identificando os processos não
observadas subjacentes
ou mecanismos que provocam a fenômenos observáveis que o teste
as teorias. Reducionismo etiquetas uma visão de longa data sobre a relação
das teorias científicas para o outro. De acordo com o reducionismo, como
uma ciência
aprofunda a sua compreensão do mundo, mais estreito, menos preciso e
mais
teorias especiais são revelados a ser casos especiais de ou explicáveis por
derivação
das teorias mais amplas, mais completos e mais precisos e mais gerais.
Derivação requer a dedução lógica dos axiomas da teoria mais estreito da
teoria mais ampla, e muitas vezes a correção do estreito
teoria antes da dedução é efectuada. Reducionistas procuram explicar o
progresso da ciência ao longo do período desde a revolução newtoniana por
apelar para essas relações intertheoretical. A redução das teorias científicas
séculos mais, o que parece para preservar seus sucessos ao explicar sua
falhas (por meio da correção), é fácil de entender do ponto de vista
axiomático
sobre a estrutura das teorias científicas.
No entanto, o hipotético-dedutivismo da conta axiomático da
teorias, e de fato a perspectiva epistemológica geral da ciência como
baseada na observação e experiência, enfrenta graves dificuldades quando
se tenta
para explicar a indispensabilidade de termos em teorias que identificam
teórica,
entidades não observáveis, como os núcleos celulares, genes, moléculas,
átomos e
quarks. Para, por um lado, não há qualquer prova directa da existência
das entidades teóricas estes termos nome, e, por outro lado, a teoria
não pode cumprir a sua função explicativa sem eles. alguns teóricos
entidades, tais como a gravidade, são verdadeiramente problemático e, ao
mesmo tempo, nós
precisa excluir as forças e coisas ciência misterioso e oculto para
que nenhuma evidência empírica pode ser fornecida. A noção de que
significativa
palavras devem, eventualmente, ter os seus significados dada pela
experiência é um atrativo
um. No entanto, encontrar um caminho para a linguagem teórica para
passar este teste, enquanto
excluindo os termos de especulação descontrolada como sem sentido, é um
desafio
que uma conta de teorias científicas devem enfrentar.
O quebra-cabeça que hypothesizing entidades teóricas é indispensável para
explicação e não regulamentada pela experiência às vezes é resolvido por
negar
que as teorias científicas procuram descrever as realidades subjacentes que
sistematizar e explicar generalizações observacionais. Este ponto de vista,
conhecida como
instrumentalismo ou anti-realismo, trata teoria como um dispositivo
heurístico, um cálculo
instrumento de previsões sozinho. Por outro lado, o realismo, a visão de que
devemos tratar teoria científica como um conjunto de literalmente
verdadeiras ou falsas descrições
de fenômenos observáveis, insiste em que só a conclusão de que
teoria é aproximadamente verdadeira pode explicar seu sucesso preditivo
de longo prazo.
Instrumentistas contradizer essa explicação.

9 Teoria Construção vs. Modelo

Prédio
Visão geral
Em muitas disciplinas, os cientistas descrevem cada vez mais o produto de
a sua investigação não como teorias, mas como modelos. Em algumas
disciplinas, é
evidente que a construção de uma sequência de modelos é um processo
que se espera
culminar em uma grande ou pelo menos uma teoria mais geral. Em outras
disciplinas,
O objectivo da investigação é um modelo e uma teoria é na verdade um
conjunto de
modelos. Além disso, enquanto as teorias da ciência são pensados como
geral
hipóteses científicas que o cientista considera bons candidatos para
sendo leis da natureza com explicativa e importação de previsão, nenhum
dos
essas coisas podem, em geral, ser dito de modelos. Eles não são
necessariamente
oferecido como melhores suposições dos cientistas sobre as leis, nem
mesmo necessariamente com
a intenção de explicar ou prever qualquer real ou experimental
outros processos observáveis.
Tudo isso sugere que o positivismo lógico e pós-positivista
absorção com as teorias sistemas como axiomáticas compostas de leis e
regularidades que explicam pode não caber ou como uma descrição ou um
racional
reconstrução das actividades teóricas de cientistas. Pode ainda
significa que alguns ou todos os problemas decorrentes da filosofia do
natureza das teorias científicas pode ser contornada por uma abordagem
que
concentra-se em modelos como as unidades de investigação científica.
Neste capítulo,
explorar algumas destas questões.
Biologia é uma disciplina em que parece haver no máximo uma
A teoria de teoria do Darwin da seleção natural, e muitos modelos sobre
fenômenos em todos os níveis da organização biológica de
enzimas para populações. Isto faz com que seja conveniente para explorar o
relacionamento
entre teorias e modelos, uma vez que se desenrola em biologia com
alguns exemplos detalhados.
Resumo
A abordagem axiomática a teorias tem dificuldade para acomodar o papel
de modelos em ciência. Instrumentalismo não, e como modelos se tornam
mais
centrais para o caráter de teorização científica, problemas para a
axiomática
abordagem e para o realismo de montagem. A questão aqui, em última
análise depende de saber se
ciência mostra um padrão de sucessos explicativos e predicativos que pode
só pode ser explicada pelo realismo ea verdade das teorias que organizar e
explicam o sucesso dos modelos cientistas a desenvolver.
a teoria da seleção natural de Darwin fornece um "banco de ensaio" útil
para
aplicar e avaliar a adequação de algumas das concepções concorrentes
da teoria científica articulada neste capítulo. Há várias razões para
pensar que a teoria de Darwin é completamente ao contrário de Newton,
apesar da sua muito
papéis similares na organização quase todas as suas disciplinas. Por um
lado, ele
É difícil afirmar qualquer lei da seleção natural darwiniana, ou mesmo
qualquer estrita
leis da biologia em todos. Por outro lado, quase todas as aplicações
explicativas
da teoria da seleção natural prosseguir com a construção de modelos.
E a maioria desses modelos não são, obviamente, julgado em seu sucesso
preditivo,
Devido à complexidade dos sistemas biológicos.
Tanto na biologia e nas ciências especiais, o papel de modelos em avanço
compreensão científica parece muito mais nuances e diversificada do que a
maneira
os filósofos da ciência tradicionalmente retratado teorias que operam na
física.
Isso abriu espaço para uma ampla área de pesquisa em filosofia da ciência.
Visão geral
Suponha que resolver o diferendo entre o realismo eo instrumentalismo.
O problema continua a ser de como exatamente observação e provas,
a recolha de dados, etc., na verdade, nos permitirá escolher entre científica
teorias. Por um lado, que o façam foi tomada para
concedido através de vários séculos de ciência e sua filosofia. No
Por outro lado, ninguém está totalmente explicou como eles fazem isso, e
neste
século, os desafios que se colocam a explicação de como exatamente
provas
teoria controles aumentaram.
Uma breve revisão da história do empirismo britânico define a agenda
para uma conta de como a ciência produz conhecimento justificado pela
experiência,
e introduz o problema da indução levantada por David Hume
no século XVIII. Se não podemos resolver o problema da indução,
poderemos ser capazes de mostrar que é um pseudo-problema. Mesmo se
não pudermos
fazer isso, os cientistas não estão prestes a baixo ferramentas e esperar por
uma resolução
desta matéria. O que é mais, eles podem insistir que eles sabem como
proceder indutivamente sem qualquer ajuda de filósofos. Todos nós
realmente precisa, muitos cientistas insistem, é um teorema da
probabilidade
cálculo derivado no século XVIII por Thomas Bayes,
um contemporâneo de David Hume. Alguns filósofos irá concordar
com este julgamento. Então, precisamos entender este teorema eo
questões de interpretação suscitadas pelo seu uso em experimental e
raciocínio observacional.

O problema da indução

Como observamos no Capítulo 7, a revolução científica começou na Europa

central
com Copérnico, Brahe e Kepler, deslocou-se para a Itália de Galileu, mudou-
se para
Descartes França e veio para Newton em Cambridge, Inglaterra. o científica
revolução foi também uma revolução filosófica, e por razões que observou.
No século XVII, a ciência era "filosofia natural", e figuras que
história iria entregar exclusivamente a uma ou a outra destas duas Fields
filosofia ou ciência contribuiu para ambos. Assim, Newton escreveu um bom
negócio
da filosofia da ciência, e Descartes fez contribuições à física. Mas
foram os empiristas britânicos que fizeram uma tentativa de auto-
consciente para examinar
se a teoria do conhecimento defendida por estes cientistas vindicaria
os métodos que Newton, Boyle, Harvey, e outros experimental
cientistas empregados para expandir as fronteiras do conhecimento
humano tão amplamente em
seu tempo.

Ao longo de um período compreendido entre o final do século XVII até o final

do século XVIII
século, John Locke, George Berkeley e David Hume procurou especificar
a natureza, extensão e justificação do conhecimento como fundada na
experiência sensorial
e ponderar se certificar as descobertas científicas de
seu tempo como conhecimento e isolá-los contra o ceticismo. Os seus
resultados
foram misturados, como Kant estava ansioso para apontar. Mas nada
abalaria sua
confiança ou a da maioria dos cientistas, no empirismo como a
epistemologia direita.

Locke procurou desenvolver empirismo sobre o conhecimento, famosa

segurando
contra racionalistas como Descartes, que não existem idéias inatas. "Nada é
na mente que não foi o primeiro nos sentidos. "Mas Locke era
decididamente um científica
realista sobre as entidades teóricas que a ciência do século XVII
foi descoberta. Como observado no Capítulo 2, ele abraçou a visão de que a
matéria
foi composta de átomos indiscerníveis, ou "corpúsculos", e distinto
entre substância material e suas propriedades ( "qualidades primárias") no
um lado, e as qualidades sensoriais de cor, textura, cheiro ou sabor (o assim
chamado
qualidades secundárias), substâncias que causam em nós. As propriedades
reais
da matéria, de acordo com Locke, são apenas os que a mecânica
newtoniana
diz-nos que tem em massa, extensão no espaço, velocidade, etc. As
qualidades sensoriais
de coisas são idéias em nossas cabeças que as coisas causam. É
raciocinando volta
de efeitos sensoriais para causas físicas que adquirimos conhecimento do
mundo, que fica sistematizadas pela ciência.

Que o realismo de Locke e seu empirismo inevitavelmente dá origem ao

ceticismo,
não é algo Locke reconhecido. Ele era um filósofo do próximo
geração, George Berkeley, que apreciava que o empirismo torna duvidosa
nossas crenças sobre coisas que não observar diretamente. Como poderia
Locke leigos
afirmam o certo conhecimento da existência de matéria ou suas
características, se
ele só poderia estar ciente das qualidades sensoriais, que pela sua própria
natureza, existem
apenas na mente? Não podemos comparar as características sensoriais,
como cor ou textura
às suas causas para ver se essas causas são incolores ou não, pois não
temos
acesso a essas coisas, por isso não podemos compará-los. E ao argumento
de que podemos imaginar algo para ser incolor, mas não podemos imaginar
um material
objeto a extensão falta ou massa, Berkeley replicou que as propriedades
sensoriais
e os não-sensoriais estão em pé de igualdade a este respeito: tente
imaginar algo
sem cor. Se você pensar nisso como transparente, então você está
adicionando na
cor de fundo e que está enganando. Da mesma forma para a outra
alegadamente subjetiva
qualidades que as coisas nos levam a experimentar.

Na opinião de Berkeley, sem o empirismo não podemos fazer sentido do

significado
da linguagem. Berkeley praticamente adotou a teoria da linguagem
como nomear qualidades sensoriais que foi esboçado no Capítulo 8. Dada a
tese
que as palavras citar idéias sensoriais, realismo-a tese de que descobre
ciência
verdades sobre coisas que não podemos ter experiência sensorial de, torna-
se falsa, por
as palavras que nomeiam estas coisas devem ser sem sentido. No lugar de
realismo
Berkeley defendia uma forte forma de instrumentalismo e fez um grande
esforço para
construir uma interpretação da ciência dos séculos XVII e XVIII,
incluindo mecânica newtoniana, como um corpo de dispositivos heurísticos,
calculando
regras, e ficções convenientes que nós empregamos para organizar nossas
experiências.
Fazendo isso, Berkeley pensou, salva a ciência do ceticismo. Não ocorreu
a Berkeley que outra alternativa para a combinação do empirismo e do
instrumentalismo é racionalismo e realismo. E a razão é que, até o
século XVIII, o papel do experimento na ciência tinha sido tão firmemente
estabelecido que não há alternativa ao empirismo parecia remotamente
plausível como um
epistemologia da ciência. Mesmo racionalismo, como observamos no
Capítulo 1, argumenta
só isso algum conhecimento científico tem uma justificação não-empírica.
Era intenção de David Hume para aplicar o que ele considerava ser o
empírico
métodos de investigação científica para a filosofia. Como Locke e Berkeley
ele
procurou mostrar como o conhecimento, eo conhecimento científico,
especialmente, honras
as restrições do empirismo. Incapaz de adotar instrumentalismo radical de
Berkeley,
Hume procurou explicar por que adotar uma interpretação realista
de crenças científicas e normais, sem tomar partido entre realismo e
instrumentalismo. Mas prossecução do programa do empirismo de Hume
levou
para enfrentar um problema diferente daquele levantada pelo conflito de
realismo e
empirismo. Este é o problema da indução: Dada a nossa sensorial atual
experiência, como podemos justificar inferências a partir deles e de nossos
registros de
o passado, o futuro e os tipos de leis e teorias científicas que procuramos?

O argumento de Hume é muitas vezes construída como segue: há dois e só

duas maneiras de justificar uma conclusão: argumento dedutivo, em que a
conclusão
segue logicamente das premissas e argumento indutivo, em que
as premissas suportam a conclusão, mas não garantem isso. A dedutiva
argumento é coloquialmente descrito como uma em que as instalações
"contêm"
a conclusão, enquanto um argumento indutivo é frequentemente descrito
como um que
move a partir do particular para o geral, como quando se inferir a partir da
observação
de 100 cisnes brancos à conclusão de que todos os cisnes são brancos.
Agora, se nós somos
desafiados a justificar a afirmação de que indutivos argumentos de
argumentos de
do particular para o geral, ou do passado para o futuro, será confiável
no futuro, podemos fazê-lo apenas através do emprego de um argumento
dedutivo ou um argumento indutivo. O problema com qualquer argumento
dedutivo para esta conclusão
é que, pelo menos, uma das instalações em si exigirá a fiabilidade de
indução. Por exemplo, considere o argumento dedutivo abaixo:
1. Se uma prática tem sido fiável no passado, será fiável no futuro.
2. No passado, argumentos indutivos ter sido fiável.
Portanto,
3. Argumentos indutivos será confiável no futuro.

Este argumento é dedutivamente válido, mas a sua primeira premissa

requer justificação
e a única justificação satisfatória para a premissa seria a fiabilidade
de indução, que é o que o argumento é suposto estabelecer. Qualquer
dedutivo argumento para a fiabilidade da indução incluirá, pelo menos, uma
pergunta-implorando premissa.
Isso deixa apenas os argumentos indutivos para justificar a indução. Mas,
claramente, não
argumento indutivo para a indução apoiará sua confiabilidade, por tais
argumentos
também são petição de princípio. Como já teve ocasião de observar antes,
Como todos os argumentos da petição de princípio, um argumento indutivo
para a confiabilidade
da indução é como subscrição de sua promessa de pagar um empréstimo de
prometendo que você vai manter suas promessas. Se a sua confiabilidade
como uma promessa
guardião é o que está em questão, oferecendo uma segunda promessa para
garantir o primeiro
é inútil. O argumento de Hume tem por 250 anos foi tratado como um
argumento
para o ceticismo sobre a ciência empírica. Para ele sugere que todas as
conclusões
sobre as leis científicas, e toda a ciência previsão faz sobre eventos futuros,
estão em injustificado inferior, possuindo a sua dependência de indução. E
os seus
não apenas inferências a partir do específico para o geral ou do passado
para o
futuro. Há outras formas de argumento, que são claramente indutivo sem
tomar qualquer uma destas formas, incluindo argumentos por analogia e
inferências
para a melhor explicação como empregada para inferir a existência de não
observável
entidades ao longo das ciências. Todas as formas ampliativas de
argumentação, em que
as conclusões destinam-se a fazer reivindicações que transcendem os da
instalações, será indutiva e aberto ao desafio de Hume. muitos ampliativos
inferências empregar ou explorar dedução. Mas eles são indutivos entanto.
Por exemplo, o raciocínio hipotético-dedutivo envolve a dedução de
consequências observacionais de uma hipótese e sua pesquisa direta é
ainda
indutivo. Se confirmado, essas consequências dedutivas são disse para
confirmar a
hipótese de que eles são deduzidos. Toda a inferência é claramente
indutiva:
a conclusão, que a credibilidade da hipótese geral é reforçada
pela evidência observacional mais estreito, vai além da evidência.
O desafio de Hume é teórico. Ele observou que, como uma pessoa que atua
no
mundo, ele estava convencido de que os argumentos indutivos eram
razoáveis; o que ele
pensei que os shows argumento é que nós ainda não encontrou a
justificação direita
para a indução, não que não há justificativa para isso.

problema da indução de Hume foi surpreendentemente invisível para o

primeiro 150
anos depois que ele formulou. A maior epistemologia empirista e filosofia
da ciência do século XIX, John Stuart Mill, completamente
não conseguiu reconhecê-lo, apesar de dedicar muita atenção à indução
como a
método de núcleo da ciência. De acordo com Mill, inferências a partir de
uma parte relativamente pequena
número de casos de leis gerais eram como a ciência avança. moinho famosa
articulados várias regras de delineamento experimental que ainda orientar
cientistas
hoje em fazer tais inferências. Contemporary duplo-cego controlado
experimentos agora comuns na ciência médica devem muito ao
regras Moinho estabelecido e os argumentos que ele deu para eles.
Mas que a prática da inferência indutiva exige uma justificação
independente
como um todo foi algo Mill não gostou. Moinho acreditava com
alguma justificação que inferências indutivas foram fundamentadas no
compromisso
a uniformidade da natureza: a de que o futuro será como o passado. Se
pudermos
ser justificado em acreditar que este princípio, em seguida, pelo menos,
algumas inferências indutivas
será garantido. Mas que tipo de argumento pode ser avançado para a
uniformidade
da natureza? Um argumento dedutivo com uma conclusão factual que o
futuro será como o passado terá de incluir entre suas premissas uma factual
reivindicação, pelo menos, tão forte, e em seguida, este irá ser justificada, e
assim por diante em
uma regressão infinita. Um argumento indutivo para a uniformidade da
natureza vai
prossiga com as seguintes linhas: No passado recente, o seu futuro próximo
era como
passado mais distante, no passado mais distante, o seu futuro próximo era
como o
ainda mais distante passado, e assim por diante. Portanto, daqui em diante
será o futuro
como o passado recente, o passado mais distante e passado muito distante.
Mas isso
forma de argumento é em si indutiva e assim levanta a questão. Partimos
para estabelecer a confiabilidade da inferência indutiva e fazê-lo por um
indutiva
inferência. Isto tem toda a confiabilidade de uma tentativa de assegurar
alguém que eu
mantenho minhas promessas, prometendo-lhe que eu fazê-lo!
Durante o período em que positivistas lógicos estavam confiantes de que o
princípios da lógica matemática e simbólica foram definições e
consequências
deles, foram feitas tentativas para resolver o problema de Hume em um
semelhante
caminho. Filósofos como Rudolph Carnap e Carl G. Hempel procurou
enquadrar
regras de inferência indutiva que poderiam ser justificadas, como as leis da
matemática
lógica, em conformidade com as definições e suas implicações. Como o
modelo dedutivo-nomológica que foi proposto para reconstruir
racionalmente
o conceito de explicação científica, o seu objectivo era fornecer uma
"confirmação
teoria "que iria formalizar e explicitar a noção de inferência indutiva
e resolver o problema de Hume também. A estratégia foi mostrar que
indutiva
argumento acaba por ser argumento dedutivo que emprega regras
especiais que
conferir justificação em suas conclusões sem garantir a sua verdade
(Ao contrário das leis da lógica dedutiva que o fizeram). Estas regras
refletiria
os axiomas e teoremas da teoria da probabilidade, um conjunto de verdades
lógicas ou
definições. Para que estas regras para sistematizar as inferências indutivas,
os
Demonstrações os cientistas usam para descrever os dados ou elementos
de prova a que as regras
teve são aplicadas a ser dada uma estrutura lógica rígida e um vocabulário
inteiramente observacional. Isso não poderia acomodar razoavelmente os
padrões reais de
inferência científica. Mas, além disso, toda a empresa de desenvolver um
teoria puramente formal ou lógica de probabilidade só revelou o problema a
ser
ainda mais grave do que Hume tinha reconhecido, como veremos no
capítulo 11.

Outros filósofos procurou-se mostrar que o problema da indução foi um

pseudo-problema, um exemplo clássico de feitiço do nosso entendimento
pelos
língua. Assim tem sido repetidamente argumentou que a empregar os
princípios indutivos
para enquadrar as expectativas sobre o futuro é apenas o que o senso
comum
ea maioria das pessoas entende por ser razoável. Se empregando inferência
indutiva
é, por definição, uma condição necessária para agir de uma forma razoável,
em seguida,
não faz sentido exigir uma justificação para isso. Ou pelo menos não mais
faz
sentido pedir que a indução ser mostrado para ser razoável do que ele faz
para pedir que
sendo razoável ser mostrado para ser razoável. Assim, uma compreensão
adequada da
o que significa ser razoável quando enquadrar crenças sobre o unobserved
resolve o problema da indução, ou melhor, mostra que ela é um pseudo-
problema,
um reflexo erros sobre a linguagem. Que erro? Um candidato é o
tendência erroneamente a aplicar os padrões dedutivos da indução e depois
para
reclamam quando eles não podem ser cumpridas. Validade é uma
característica da dedutivo adequada
argumentos: estes argumentos são sempre verdade preservação. desde
indutiva
argumentos são, pela sua natureza, não verdade que preserva (não
pretende nem se espera
ser); é fácil, mas equivocada para descrevê-los como inválidos e, em
seguida, exigir um
justificação para eles. O erro é ainda aplicar a distinção válida / inválida
a tais argumentos e, em seguida, para exigir um substituto para a validade.
Alguns filósofos da ciência poderia levar a sério esta forma de despedir
O problema de Hume. Insistiram em que o erro Callow identificado por
aqueles
que procuram dissolver o problema da indução não é um que eles fazem. o
problema da indução é muito claramente que de mostrar inferências
indutivas para
ser geralmente de confiança, não é universalmente válida. E este problema
pode ser moldada
de tal forma a honrar o pensamento de que ser indutiva está sendo
razoável.
Para perguntar se ser razoável, isto é, utilizando métodos indutivos, é um
método confiável de obter através da vida é perfeitamente inteligível. A
questão
do facto de ser razoável é de confiança é aquela que todos nós queremos
responder afirmativamente.
Hume de fato nos convida a fazê-lo de uma forma não-implorando-pergunta.
Uma maneira de responder a Hume que reconhece esta maneira de colocar
o seu
problema foi devido ao filósofo positivista lógico, Hans Reichenbach
(Ele preferia o rótulo de "empirista lógico"). Ele procurou mostrar que, se
qualquer
método de prever o futuro obras, então a indução deve trabalhar. supor
desejamos estabelecer se o Oráculo de Delfos é uma previsão exata
dispositivo. A única maneira de fazer isso é sujeitar o Oracle para um
conjunto de testes: pedir
uma série de previsões e determinar se eles são verificados. Se eles são,
a Oracle pode ser aceito como um indicador preciso. Se não, então o futuro
precisão do Oracle não está a ser invocado. Mas observe que a forma de
este argumento é indutivo: se qualquer método funciona (no passado),
apenas indução
pode dizer-nos que ele faz (no futuro). De onde nós garantir a justificação de
indução. Este argumento enfrenta duas dificuldades. Em primeiro lugar, no
máximo, isso prova que, se qualquer método funciona, a indução funciona.
Mas isso está muito longe da conclusão
que queremos: que não há qualquer método que faz no trabalho de fato. Em
segundo lugar, o argumento
não vai influenciar o devoto da Oracle. Oracle-crentes não terá
razão para aceitar nosso argumento. Eles vão pedir o Oráculo se a indução
funciona, e aceitará seu pronunciamento. Nenhuma tentativa para
convencer Oraclebelievers
que a indução suporta tanto o seu método de prever o futuro ou
qualquer outro pode transportar qualquer peso com eles. O argumento de
que, se qualquer método
obras, obras de indução, é demasiado implorando pergunta.

Estatística e Probabilidade para o Resgate?

Em algum ponto os problemas da indução levará alguns cientistas e

filósofos
a perder a paciência com o filósofo da ciência. Por que se preocupar
justificar a indução? Por que não começar com o grave, mas talvez mais
problema solúvel de confirmação empírica? Podemos conceder a falibilidade
da
ciência, a impossibilidade de estabelecer a verdade ou falsidade das leis
científicas
de uma vez por todas. No entanto, ainda pode explicar como observação,
recolha de dados
e experimentar teoria científica teste, rodando a teoria estatística ea
noção de probabilidade.
Acontece que isso não é tão simples um assunto como parece. Começar
com as noções de probabilidade e de evidências empíricas ou indutiva não
realmente se alinham juntos tão bem como gostaríamos.
Para começar, há o problema de se o facto de alguns dados levantam
a probabilidade de uma hipótese faz com que a evidência de dados para ele
em tudo. Isso pode
soar como uma pergunta tão fácil de responder, mas não é.
Define p (h, b) as the probability of hypothesis h, given background
information b, and p (h, e and b) as the probability of h given the
background information b, and some experimental observations e.
Assim, quando os dados aumenta a probabilidade de uma hipótese,
constitui favorável
evidência para ela.
Assim, neste caso, E é "novo" de dados, que é considerado como evidência
para h se levanta a
probabilidade de h (dada a informação de base necessária para testar h).
Para
exemplo, a probabilidade de que o Butler fiz, H, dado que a arma
encontrada
em que o corpo não era dele, b e as novas provas de que a arma carregava
seu
impressões digitais, é maior do que a hipótese de que o Butler fez isso, dada
a arma
encontrada no corpo, e nenhuma evidência sobre impressões digitais. É as
impressões digitais
que aumentam a probabilidade de h. É por isso que as impressões são
provas de que o
Butler fez isso.
É fácil de construir contra-exemplos a esta definição de evidência positiva
que mostram que o aumento da probabilidade é por si só necessário nem
suficiente para alguma declaração sobre observações para confirmar a
hipótese.
Aqui estão dois:

publicação deste livro aumenta a probabilidade de que ele será

transformado em
um filme de sucesso estrelado por Keira Knightley. Afinal de contas foram
nunca ter
sido publicado as chances de seu ser feitas em um filme seria ainda menor
do que são. Mas, certamente, a publicação real deste livro não é positiva
evidências para a hipótese de que este livro vai ser transformado em um
sucesso de público
filme estrelado por Keira Knightley. Certamente não é claro que algum fato
que apenas
aumenta a probabilidade de uma hipótese constitui, assim, a evidência
positiva para
isto. Uma conclusão semelhante pode ser derivado a partir do seguinte
exemplo contrário,
que invoca lotarias, uma noção útil ao explorar questões sobre
probabilidade.
Considere uma loteria feira com 1.000 bilhetes, 10 dos quais são comprados
por Andy e um dos quais é comprada por Betty. h é a hipótese de que Betty
ganha na loteria. e é a observação de que todos os bilhetes, exceto os de
Andy e
Betty são destruídos antes do sorteio. e, certamente, aumenta a
probabilidade
h de 0,001-0,1. Mas não é claro que e é evidência positiva de que h é
verdade. Na verdade, parece mais razoável dizer que e é uma prova positiva
de que h
é falso, que Andy vai ganhar. Para a probabilidade de que ele ganha passou
de
0,01-0,9. Outro caso de loteria sugere que o aumento de probabilidade não
é necessário
por ser evidência positiva; na verdade um pedaço de evidência positiva
pode diminuir
a probabilidade de a hipótese de que confirma. Suponha que na nossa
lotaria Andy tem
comprado 999 passagens em 1000 vendeu na segunda-feira. Suponha que
e é a evidência
que na terça-feira 1.001 ingressos foram vendidos, dos quais Andy adquiriu
999.
Este endereço de e reduz a probabilidade de que Andy vai ganhar na loteria
de 0.999 para
0,998 ... Mas, certamente, e ainda evidências de que Andy vai ganhar
depois de tudo.
Uma maneira de lidar com estes dois contra-exemplos é simplesmente para
exigir
que e é uma prova positiva para h se e torna a probabilidade de h alta,
dizem acima
0.5. Em seguida, no primeiro caso, uma vez que a evidência de não
aumentar a probabilidade de
Betty de ganhar em qualquer lugar perto de 0,5 e, no primeiro caso, a
evidência não faz
reduzir a probabilidade de Andy de ganhar muito abaixo de 0,999, estes
casos não
minar a definição de evidência positiva quando assim revisto. Mas é claro,
é fácil de construir um contra essa nova definição de positiva
evidência como prova de que torna a hipótese altamente provável. Aqui
está um
famoso caso: h é a hipótese de que Andy não está grávida, enquanto que e
éa
declaração de que Andy come Weetabix pequeno-almoço cereais. Uma vez
que o provavelmente de h
é extremamente elevada, P (H, E) -a probabilidade de H, dado que também
o E-é extremamente
Alto. No entanto, e é, sem dúvida nenhuma evidência para h. É claro que
temos negligenciado o
informação de base, b, construído na definição. Certamente, se somarmos o
informações de base que nenhum homem jamais engravidar, então P (h,
E & b) -O probabilidade de H, E e dado b-será a mesma como P (H, E) e
assim, dispor do contra-exemplo. Mas, se b é a afirmação de que nenhum
homem tem
nunca engravidar, e e é a afirmação de que Andy comeu Weetabix, e h
é a afirmação de que Andy não está grávida, então p (h, e & b) será muito
elevado,
na verdade, quase tão perto de 1 como uma probabilidade pode obter.
Assim, mesmo que e não é
por si só evidência positiva para h, e mais b é, só porque b é uma prova
positiva
para h. Não podemos excluir e como prova positiva, quando e mais b é uma
evidência,
simplesmente porque é um conjunto que, por si só não tem impacto sobre a
probabilidade
de h, porque a evidência, por vezes, positiva só faz aumentar a
probabilidade de
uma hipótese quando combinada com outros dados. Claro que queremos
dizer
que, neste caso, e pode ser eliminado sem reduzir a probabilidade de H,
e é probabilisticamente irrelevante e é por isso que não é evidência positiva.
Mas
fornecendo um teste decisivo para a irrelevância probabilística não é tarefa
fácil. Pode ser
tão difícil como a definição de exemplo positivo. Em qualquer caso, temos
uma introdução
aqui para as dificuldades de expor a noção de prova em termos de
conceito de probabilidade.
Os filósofos da ciência que insistem que a teoria da probabilidade é
suficiente para
nos permitem compreender como testar hipóteses de dados irá responder a
esses problemas
que refletem as mis-fit entre probabilidade e nosso senso comum
noções de provas. Nossos conceitos comuns são qualitativos, imprecisa, e
não o resultado de um estudo cuidadoso das suas implicações.
Probabilidade é uma quantitativa
noção matemática com fundamentos lógicos seguros. Isso permite
-nos a fazer distinções noções comuns não podem desenhar e explicar estes
distinções. Recordar os empiristas lógicos que procuraram reconstruções
racionais
ou explicações de conceitos como explicação que fornecem necessário e
condições suficientes em lugar da imprecisão e indefinição do comum
língua. Da mesma forma, muitos estudantes contemporâneos do problema
da confirmação
procurar um substituto mais preciso para a noção comum de provas
na noção quantificável de probabilidade; para eles contra-exemplos, tais
como
os apresentados acima simplesmente refletir o fato de que os dois conceitos
não são
idêntico. Eles são nenhuma razão para não substituir "probabilidade" para a
"evidência"
na nossa investigação sobre como a teoria de teste de dados. Alguns desses
filósofos ir
mais longe e argumentam que não existe tal coisa como evidência
confirmar ou não
uma hipótese, por si só. teste de hipóteses em ciência é sempre
um caso comparativa: ela só faz sentido dizer hipótese h1 é mais ou
menos bem confirmado pela evidência do que é hipótese H2, não que h1 é
confirmada por e em qualquer sentido absoluto.
Estes filósofos sustentam que a teoria matemática das probabilidades
detém
a chave para entender a confirmação da teoria científica. E isto
teoria é extremamente simples. Ele encarna apenas três hipóteses muito
óbvias:
1. As probabilidades são medidas em números de 0 a 1.
2. A probabilidade de uma verdade necessária (como "4 é um número par")
é uma.
3. Se a hipótese H e J são incompatíveis, então p (h ou j) â •> = â •> p (h) â
•> + â •> p (j).
É fácil para ilustrar esses axiomas com um baralho de cartas normais. o
probabilidade de qualquer um cartão que está sendo elaborado a partir de
uma plataforma completa está entre 0
e 1. Na verdade, é 1/52. A probabilidade de que um cartão será vermelho ou
preto (o
apenas duas possibilidades) é 1 (que é uma certeza), e se desenhando um
ás de copas é
incompatível com o desenho de um valete de espadas, então a
probabilidade de desenho
um deles é 1/52 + 1/52 ou 1/26, cerca de 0,038461 ...
A partir dessas premissas simples e diretas (mais algumas definições)
o resto da teoria matemática das probabilidades pode ser derivada pela
dedução lógica sozinho. Em particular, a partir destes três axioma da teoria
de probabilidade, podemos deduzir um teorema, primeiro provado por um
teólogo britânico
e matemático amador, no século XVIII, Thomas Bayes, que
tem bulked grande nas discussões contemporâneas de confirmação. antes
de introduzir
este teorema, precisamos definir mais uma noção, a condicional
probabilidade de qualquer uma instrução, assumindo que a verdade de uma
outra declaração.
A probabilidade condicional de uma hipótese, h, em uma descrição de
dados, e,
p escrita (H / e) é definido como a razão da probabilidade de a verdade de
ambos H
e e à probabilidade de a verdade sozinho e:
p(h/e) = df p(h and e)
p(e)

Aproximadamente "a probabilidade condicional de h on e" mede a

proporção de
e a probabilidade de que seja verdade que "contém" a probabilidade de que
h é igualmente
verdade. Adaptar uma idéia expositiva de Martin Curd e Jan Cover, nós
podemos
iluminar esta definição com alguns diagramas. Suponha que estamos
atirando dardos
numa placa sobre a qual dois círculos sobrepostos são desenhados na forma
de um diagrama de Venn
diagrama (Figura 10.1):
Se um dardo terras dentro do círculo e, o que é a probabilidade de que ele
também vai pousar
dentro do círculo h, ou seja, a probabilidade de desembarque no h, com a
condição de que
terras e, a probabilidade condicional, p (h / e)? Isso depende de duas coisas:
a área de sobreposição entre círculo e e círculo h (a intersecção e & h),
relativa
para a área de E, e o tamanho do e em relação ao tamanho de h. Para ver
isto,
comparar os dois esquemas a seguir. Na Figura 10.2, e é muito grande
quando comparada
para o tamanho de H, de modo que a possibilidade de que um dardo jogado
dentro de e também terras em h é baixo. Mas seria maior se mais de h
estavam dentro e. Por outro lado, o
chance de que um dardo que pousa no h também terras no e é muito maior,
e aumentos
como a proporção de h dentro e cresce.
Por outro lado, considere a Figura 10.3. Aqui, ele é pequeno e h é grande.
Nisso
caso, a chance de um dardo que terras no e também o desembarque em h é
maior do que em
no caso anterior, e torna-se ainda maior a mais do e está dentro h. Mais
uma vez,

a probabilidade condicional de e em h é, naturalmente, muito mais baixa,

menor é a
h círculo é e quanto menos se sobrepõe.
A definição de probabilidade condicional incorpora esses dois fatores
sobre a qual depende da probabilidade condicional. O numerador reflecte o
tamanho
da sobreposição de E e H em relação aos tamanhos de E e H, e o
denominador
medidas que o tamanho em unidades de tamanho de e.
Agora, se h é uma hipótese e e é um relatório de dados, o teorema de Bayes
permite
-nos calcular a probabilidade condicional de h no e, p (h / e). Em outras
palavras,
teorema de Bayes dá-nos uma fórmula matemática para calcular quanto
mais ou menos provável um pouco de provas, e, faz qualquer hipótese, h. A
fórmula
é como se segue:

p(h/e) = p(e/h) × p(h)

p(e)

teorema de Bayes nos diz que uma vez que adquirir alguns dados, e,
podemos calcular
como os dados e alterar a probabilidade de h, elevando-a ou baixando,
desde que
já tem três outros números:

P (E / H) -a probabilidade de que é verdadeira e assumindo que h é

verdadeira (como observado
, supra, não devem ser confundidos com P (H / E), a probabilidade de que h
é verdadeira, dado
e, que é o que estamos a calcular). Este número reflecte o grau de
que nossa hipótese nos leva a esperar os dados que recolheu. E se
os dados é apenas o que a hipótese prediz então é claro que p (e / h) é
muito
Alto. Se os dados não é nada parecido com o que a hipótese prevê p (e / h)
é
baixo.
P (h) -O probabilidade do independente hipótese de o teste para o qual
Os dados descritos por e fornece. Se e relata novos dados experimentais,
em seguida
P (h) é a probabilidade do cientista atribuído a h antes do experimento
foi conduzido.
p (e) -A probabilidade de que a declaração descrevendo os dados é
verdadeiro independente
de saber se h é verdade ou não. Em que E é um resultado surpreendente
que
teoria científica anterior e provas (independente h) não leva
-nos a esperar, p (e) será baixo.

Para ver a facilidade com que o teorema de Bayes segue dos axiomas de
probabilidade
e nossa definição de probabilidade condicional, voltar a qualquer um dos
dart-board
diagramas acima. Se podemos calcular P (E / H), comparando os tamanhos
relativos
dos círculos e a proporção de suas intersecções com seus tamanhos,
podemos também
calcular P (H / e) da mesma maneira. É claro que os valores relativos a cada
condicional
probabilidade serão diferentes (como cada um dos diagramas mostra).

teorema de Bayes nos diz que uma vez que adquirir alguns dados, e,
podemos calcular
como os dados e alterar a probabilidade de h, elevando-a ou baixando,
desde que
já tem três outros números:
P (E / H) -a probabilidade de que é verdadeira e assumindo que h é
verdadeira (como observado
, supra, não devem ser confundidos com P (H / E), a probabilidade de que h
é verdadeira, dado
e, que é o que estamos a calcular). Este número reflecte o grau de
que nossas hipóteses nos leva a esperar os dados que recolheu. E se
os dados é apenas o que a hipótese prediz então é claro que p (e / h) é
muito
Alto. Se os dados não é nada parecido com o que a hipótese prevê p (e / h)
é
baixo.
P (h) -O probabilidade do independente hipótese de o teste para o qual
Os dados descritos por e fornece. Se e relata novos dados experimentais,
em seguida
P (h) é a probabilidade do cientista atribuído a h antes do experimento
foi conduzido.
p (e) -A probabilidade de que a declaração descrevendo os dados é
verdadeiro independente
de saber se h é verdade ou não. Em que E é um resultado surpreendente
que
teoria científica anterior e provas (independente h) não leva
-nos a esperar, p (e) será baixo.
Para ver a facilidade com que o teorema de Bayes segue dos axiomas de
probabilidade
e nossa definição de probabilidade condicional, voltar a qualquer um dos
dart-board
diagramas acima. Se podemos calcular P (E / H), comparando os tamanhos
relativos
dos círculos e a proporção de suas intersecções com seus tamanhos,
podemos também
calcular P (H / e) da mesma maneira. É claro que os valores relativos a cada
condicional
probabilidade serão diferentes (como cada um dos diagramas mostra).

Pelo desenho electrónico e h-círculos e os cruzamentos deles de tamanhos

diferentes,
É fácil ver que a probabilidade de um dardo que atinge o e-círculo também
bater
o H-círculo, P (H / e) irá variar directamente como a razão entre a
intersecção do
dois círculos para o tamanho do e-círculo, e inversamente com a relação dos
tamanhos de
e-círculo para o tamanho do h-círculo. E isso é exatamente o que Bayes
Teorema
diz: faz p (h / e) igual a p (e / h) -a razão entre a intersecção de E e H
para o tamanho de e-vezes a fracção P (h) / P (E), que é a razão entre o
tamanho de
h para o tamanho de e.
Dois exemplos simples podem ajudar-nos a ver como o teorema de Bayes é
suposto
trabalho: Considere como dados relativos à posição observada do cometa
Halley fornecem
um teste para as leis de Newton. Suponha que, dadas as observações
anteriores, que p (E), o
probabilidade de que o cometa Halley será observada em um determinado
local de
o céu noturno, é de 0,8. Isso permite que as imperfeições no telescópio,
atmosférico
irregularidades, todos os fatores que eventualmente levou os astrônomos a
tomar
muitas fotografias das estrelas e dos planetas e suas posições para a média
fazer estimativas de suas posições esperadas no céu. P (E / H) é também
elevada, o
posição esperada do cometa Halley no céu à noite é muito próximo ao que
a teoria prevê que seria. Vamos definir p (e / h) em 0,95. Vamos supor que
antes da aquisição de e, os novos dados sobre o cometa Halley, a
probabilidade
que as leis de Newton são verdadeiras é, digamos, 0,8. Assim, se o cometa
Halley aparece
onde esperado, p (h / e) â •> = â •> (0,95 ...) x (0,8) / (0,8) â •> = â •>
0,95. Assim, a evidência quanto
descrito por e elevou a probabilidade de as leis de Newton 0,8-0,95.
Mas agora, suponha que adquirir novos dados sobre, digamos, a precessão
do
perielio de mercúrio que é, dados que mostram que a órbita elíptica
Mercúrio em torno do Sol é em si balançando de modo que o ponto mais
próximo entre
Mercúrio e o Sol continua a mudar. Suponha-se, como era realmente o caso,
que
a figura acaba por ser muito maior do que as leis de Newton (e o auxiliar
hipóteses utilizados para aplicá-los) nos levaria a esperar, de modo que p (e
/ h) é
baixo, digamos 0,3. Desde as leis de Newton não nos levam a esperar que
esses dados, o
probabilidade prévia do e deve ser baixo, então vamos deixá-p (e) ser baixa,
digamos, 0,2; e a
probabilidade prévia de tais dados inesperado, dada as leis de Newton além
de auxiliar
hipóteses, será também bastante baixo, por exemplo, p (e / h) é de 0,1. Se p
(h) para as leis de Newton
além de auxiliares é de 0,95, então o teorema de Bayes nos diz que para o
novo e, a
dados de precessão de Mercúrio, o p (h / e) â •> = â •> (0,1) × (0,95) /
(0,2) â •> = â •> 0,475, uma significativa
cair de 0,95. Naturalmente, recordando o sucesso anterior do Newton
leis em descobrir a existência de Netuno e Urano, a culpa inicial
para a queda foi colocado sobre as hipóteses auxiliares. teorema de Bayes
pode até mesmo
nos mostrar o porquê. Embora os números no nosso exemplo são
constituídos, neste caso,
os pressupostos auxiliares acabaram por ser vindicado, e os dados sobre o
muito maior do que a precessão esperado do periélio de Mercúrio minado
A teoria de Newton, e (como outro aplicativo do teorema de Bayes faria
show), aumentou a probabilidade de teoria alternativa da relatividade de
Einstein.
Filósofos e muitos estatísticos afirmam que os cientistas raciocínio usar
para testar suas hipóteses podem ser reconstruída como inferências, de
acordo com o teorema de Bayes. Estes teóricos são chamados Bayesians.
Alguns filósofos e
historiadores da ciência entre eles procuram mostrar que a história de
aceitação
e rejeição de teorias em teorema ciência honras de Bayes, mostrando assim
que, de fato, o teste de teoria tem sido a base firme o tempo todo. Outros
filósofos,
e teóricos estatísticos tentar aplicar o teorema de Bayes, na verdade,
para determinar a probabilidade de hipóteses científicas, quando os dados
são difíceis
para chegar, às vezes não confiáveis, ou apenas indiretamente relevante
para a hipótese
sob teste. Por exemplo, eles procuram para determinar as probabilidades de
vários
hipóteses sobre eventos evolutivos como a divisão da espécie ancestral
a partir de um outro, aplicando-se o teorema de Bayes para dados sobre as
diferenças de
as sequências de polinucleótidos dos genes de espécies que vivem
actualmente.

Quanto teorema pode Bayes realmente ajudar?

Quanto compreensão da natureza dos testes empíricos faz bayesianismo

realmente fornecer? Será que vai conciliar epistemologia empirista da
ciência com a sua
compromisso de eventos não observáveis e processos que explicam
observável
queridos? Será que vai resolver o problema da indução de Hume? Para
responder a essas perguntas,
devemos primeiro entender o que as probabilidades são de que todos estes
p de
simbolizar e de onde eles vêm. Precisamos fazer o sentido de p (h), o
probabilidade de que uma determinada proposição é verdadeira. Existem
pelo menos duas questões
a ser respondida: Em primeiro lugar, há a questão "metafísica" do que fato é
que
sobre o mundo, se houver, que faz um determinado valor de probabilidade,
P (H) para uma
hipótese, h, o verdadeiro ou corrigir um? Em segundo lugar, há a
epistemológica
questão de justificar a nossa estimativa deste valor de probabilidade. A
primeira pergunta
também pode ser entendida como uma questão sobre o significado de
probabilidade
declarações, ea segunda sobre como eles justificar conclusões indutivas
sobre as teorias gerais e eventualidades futuras.
Muito antes do advento da bayesianismo na filosofia da ciência do
significado das declarações de probabilidade já era uma questão polémica.
tem
algumas interpretações tradicionais de probabilidade podemos excluir como
inadequados
interpretações para o emprego do teorema de Bayes. Uma dessas é a
interpretação
de probabilidade como é suposto para descobrir em jogos de azar justas
como uma roleta ou blackjack. Em um jogo justo de roleta a chance da bola
desembarque em qualquer armadilha é exatamente 1/37 ou 1/38, porque há
37 (ou na Europa
38) armadilhas em que a bola pode pousar. Assumindo-se uma roleta feira,
o
probabilidade de a hipótese de que a bola vai parar no número 8 é
exatamente
1/37 ou 1/38 e sabemos que isso a priori, sem experiência, porque nós
sabe a priori quantas possibilidades existem e que cada um é igualmente
provável
(Novamente, assumindo que a roleta é justo, um pouco de conhecimento
que pudemos
nunca adquiriu a priori de qualquer maneira!). Agora, quando se trata de
hipóteses
que podem ser responsáveis por um corpo finito de dados, não há limite
para o número
de possibilidades e nenhuma razão para pensar que cada um deles tem a
mesma probabilidade.
Por conseguinte, as probabilidades de uma hipótese sobre, por exemplo, o
número de cromossomas em um núcleo humano, não será determinável a
priori, pela
contando-se possibilidades e dividindo 1 pelo número de possibilidades.
Outra interpretação das probabilidades envolve observações empíricas,
por exemplo, coin flips. Para estabelecer a frequência com que uma moeda
vai
chegar cabeças, um vira-lo várias vezes e divide o número de vezes que
trata-se cabeças pelo número de vezes que foi capotou. Será que esta
frequência
ser uma boa estimativa da probabilidade de cabeças? Será quando o
número
de lançamentos de moeda é grande, e as frequências calculamos para
números finitos de
flips moeda convergir para um valor e permanecer perto esse valor não
importa quão
muitas vezes continuamos lançando. Podemos chamar este valor, se
houver, o
longo prazo frequência relativa de cabeças. E tratá-lo como uma medida da
probabilidade da moeda dá cara. Mas é a frequência relativa de longo prazo
de cabeças idênticas à probabilidade ela vai aparecer cabeças? Isso soa
como
uma pergunta boba, até que você perguntar qual é a relação entre a longo
prazo
estar da frequência relativa, digamos, 0,5 e a chance de que a próxima
sorteio será
ser cabeças. Observe que uma frequência de longo prazo relativo de 0,5 é
compatível com uma
executar, de 10, ou 100, ou 1.000.000 cabeças em uma fileira, contanto que
o número total
de lançamentos é muito grande, tão grande que um milhão é um número
pequeno em comparação
para o número total de jogadas. Se isto é certo, a frequência relativa de
longo prazo
é compatível com qualquer prazo finito de todas as cabeças, ou todas as
caudas, e, claro,
perfeitamente compatível com esbarra caudas da moeda na próxima
sorteio. Agora,
suponha que quer saber o que a probabilidade é de que a moeda vai vir
para cima
cabeças no próximo sorteio. Se a probabilidade de que a moeda vai vir para
cima cabeças
no próximo sorteio é uma propriedade desse lance particular, é uma coisa
diferente
da frequência relativa de longo prazo de cabeças (o que é perfeitamente
compatível
com os próximos lançamentos 234,382 todas as caudas Ser). Nós
precisamos de algum princípio de que
conecta a longo prazo para o próximo sorteio. Um desses princípios que nos
recebe de
a frequência relativa de longo prazo para a probabilidade do próximo sorteio
sendo cabeças
é assumir que as moedas fazer em qualquer prazo finita o que eles fazem
no longo prazo. Mas
este princípio é apenas falsa. A melhor princípio para a ligação de longo
prazo em relação
frequências para a probabilidade de a próxima ocorrência é algo como isto:
Se você sabe a frequência relativa de longo prazo, então você sabe como
apostar em
se a moeda vai pousar cara ou coroa, e se você tomar todas as apostas
contra cabeças
em desacordo maiores do que até mesmo dinheiro, você vai ganhar. Mas
perceber isso é uma conclusão
sobre o que você deve fazer como um jogador, não uma conclusão sobre o
que a moeda
vai de fato fazer. Nós vamos voltar a esse insight.
Poderia frequências relativas de longo prazo fornecem os valores de
probabilidade para uma
hipótese, sem um histórico? É difícil ver como. Comparar um romance
hipótese de uma nova moeda de um centavo brilhante a ponto de ser
invertida. Longo prazo em relação
dados frequências fornecer alguma razão para atribuir uma probabilidade
de 0,5 para o
chances de cabeças na moeda nova. Existe um histórico de prévia
hipóteses relevantes para o novo? Só se pode compará-lo com o direito
classe de hipóteses semelhantes a maneira como podemos comparar novas
tostões para os antigos.
Mas hipóteses não são como moedas de um centavo. Ao contrário de
moedas de um centavo, eles diferem uns dos outros de uma forma que não
é possível quantificar quanto teríamos que estávamos ao grau
los para a semelhança com uma outra. Mesmo se pudéssemos identificar o
recorde da pista
de verdade e de falsificar para hipóteses similares formulados sobre a
história passada
da ciência, teríamos os problemas do (a) justificar a inferência de
uma sequência real finito a uma frequência relativa de longo prazo, e (b)
justificando
a inferência a partir de uma frequência relativa de longo prazo para o
próximo caso, o novo
hipótese. Recall, que, no caso de cara ou coroa, a única conexão
parece ser que as frequências relativas são a nossa melhor guia de como
colocar o nosso
As apostas sobre o próximo lance. Talvez o tipo de probabilidade de que o
teste teoria
invoca é o tipo do jogador, o que veio a ser chamado de "probabilidade
subjetiva".
"Subjetivo", pois reflete fatos sobre o jogador, eo que o
jogador acredita sobre o passado eo futuro, e "probabilidade" porque o
aposta o jogador marcas devem honrar os axiomas da probabilidade.
É a afirmação de que, em testes científicos, as probabilidades relevantes
são subjetivos
probabilidades, isto é, as probabilidades do jogador, que é a marca
distintiva
do Bayesiano. A Bayesian é alguém que defende que pelo menos dois dos
três probabilidades precisamos calcular p (h / e) são apenas uma questão de
apostas
odds e que dentro de certos limites fracos, eles podem assumir qualquer
valor no
todos. Você e eu podemos pensar que as melhores apostas são aqueles que
refletem o nosso
experiência anterior de frequências actuais ou a nossa estimativa de longo
prazo em relação
frequências, mas isso não é parte de bayesianismo. A Bayesian sustenta
que na
longo prazo, não importa quais os valores que começam com, o teorema de
Bayes vai
levar o cientista inexoravelmente à hipótese (disponível) melhor apoiada por
a evidência. Essas afirmações notáveis exigem explicação e justificação.
Calcular o valor de P (E / H) é uma questão de dar um número para a
probabilidade
que o e obtém se h é verdade. Isso geralmente é fácil de fazer. Se h nos diz
para
e esperar, ou perto de dados e, em seguida, P (E / H) vai ser muito alta. O
problema é
usando o teorema de Bayes também exige que o cálculo dos valores de
entrada, o chamado "antes
probabilidades, "P (h) e P (E). P (h) é especialmente problemática: afinal, se
hé
uma nova teoria que ninguém nunca pensou, por que deveria haver
qualquer particular,
resposta certa para a questão da probabilidade com o que é verdade? e
atribuindo
um valor de p (e), a probabilidade de que a nossa descrição de dados é
pode corrigir
envolvem tantos pressupostos auxiliares, que mesmo que exista um número
correcto
é difícil ver como poderíamos descobrir o que é. A Bayesian afirma
que estes não são problemas. Ambos os valores, P (H) e P (E) e (P (E / h)
para que
matéria) são simplesmente graus de crença, e graus de crença são
simplesmente uma questão
do que as probabilidades de apostas o cientista levaria ou queda sobre se a
sua
crenças estão corretas. Quanto maior a probabilidade uma toma, mais forte
o grau de
crença. Aqui a Bayesian leva uma página de economistas e outros que
desenvolveram
a teoria da escolha racional sob incerteza. A maneira de medir um
grau de crença é oferecer as apostas crente contra a verdade de sua
crença. Outras coisas sendo iguais, se você é racional, e que está disposto a
tomar uma aposta que h é verdadeiro na proporção de 4: 1, em seguida, o
seu grau de crença de que h é verdadeira
é de 0,8. Se você está disposto a assumir a 5: 1, em seguida, o seu grau de
crença é um pouco menos
0.9. As probabilidades são idênticos aos graus de crença. As outras coisas
que têm
para ser igual para esta forma de medir a força de suas crenças são (a) que
você tem dinheiro suficiente para que você não são tão avessos ao risco de
perder esse
que inunda sua atração para a perspectiva de ganhar, (b) que os graus de
crença de que você atribui a suas crenças obedecer às regras da lógica e as
três leis de
probabilidade acima. Enquanto seus graus de crença, atribuições de
probabilidade também chamadas,
honrar estes dois pressupostos, a Bayesian diz, os valores iniciais ou
"Probabilidades anteriores" você atribuir a eles pode ser perfeitamente
arbitrária, de fato
pode ser arbitrária, mas isso realmente não importa. Na linguagem do
Bayesians,
como vêm mais e mais dados em, as probabilidades anteriores será
"inundado"
ou seja, quando usamos o teorema de Bayes para "atualizar" probabilidades
anteriores, ou seja, alimentos para animais
nova P (E) 's contra os últimos valores de P (E / H) e P (E / H), os valores
sucessivos
da p (h / e) irá convergir para o valor correto, não importa o que os valores
iniciais
para estas três variáveis que começam com! probabilidades anteriores são
nada, mas
medidas de grau puramente subjetivo do cientista individual de crença
antes
aplicar o teorema de Bayes. Em resposta à nossa pergunta metafísica sobre
o que
fatos sobre o relatório probabilidades mundo, probabilidades anteriores não
relatam fatos
sobre o mundo, ou pelo menos nenhum sobre o mundo independente de
nossas crenças.
Em resposta à questão epistemológica do que justifica nossas estimativas
de
probabilidades, quando se trata de probabilidades anteriores, não mais
justificação é
necessário ou possível do que nossas estimativas obedecer os axiomas da
probabilidade.
Não há uma resposta resposta certa ou errada quanto ao que o
probabilidades anteriores
de p (h), ou P (E) são, desde que os valores destas probabilidades obedecer
às regras
da probabilidade e consistência lógica em apostas. consistência lógica
simples
significa que um coloca uma de apostas, isto é, atribui pontos fortes para os
próprios graus
da crença de tal forma que os agenciadores não pode usá-lo para uma
bomba de dinheiro: alguém
é uma "bomba de dinheiro" para o livro tomadores de quando eles podem
ser feitos para apostar em
maneiras que são irracionais: por exemplo, apostando que a equipa A vai
bater a equipa B,
equipa B vai bater equipa C, ea equipe C vai bater equipa A. Uma série de
tais apostas
por uma pessoa garante que os bicheiros vai ganhar dinheiro não importa o
que
time ganha. Uma coisa que você deve fazer para ter certeza de que você
não é uma bomba de dinheiro,
é repartir as suas apostas em conformidade com os axiomas da teoria da
probabilidade.
Outro teorema da teoria da probabilidade mostra que se aplicarmos Bayes
teorema incansavelmente para "up-date" nossas probabilidades anteriores
como novas provas
entra, o valor de P (h) todos os cientistas atribuir irá convergir para um
único valor
não importa onde cada cientista começa na sua atribuição original de
probabilidades anteriores. Assim, não só são probabilidades anteriores
arbitrária, mas isso não acontece
importa que eles são! Alguns cientistas podem atribuir probabilidades
anteriores sobre considerações
como simplicidade ou a economia de pressupostos, ou semelhança com já
hipóteses comprovadas, ou simetria das equações que expressam a
hipótese.
Outros cientistas irá atribuir probabilidades anteriores com base na
superstição,
preferência estética, número de adoração, ou puxando uma passagem para
fora de um chapéu. isto
Não importa, contanto que todos eles conditionalize em novas provas
através de Bayes
teorema.
Não é muito de uma objecção a essa conta de testes científicos que
cientistas realmente oferecer boas razões para os seus métodos de
atribuição de probabilidades anteriores. Para começar, não bayesianismo
não condena estas razões, pelo
pior é silencioso sobre eles. Mas, se apresenta como a simplicidade de uma
hipótese
ou a simetria da sua forma de fato aumentar a sua probabilidade prévia,
este será
ser porque uma hipótese que tem características como esta vontade, via o
teorema de Bayes,
adquirir uma probabilidade posterior maior do que outras hipóteses com as
quais
é concorrente que não têm estas características. Mais importante, as
tentativas para subscrever
o raciocínio de cientistas que apelam a considerações como economia,
simplicidade, simetria, invariância, ou outras características formais das
hipóteses, por
alegando que esses elementos aumentam a probabilidade objetiva de uma
hipótese,
deparamos com o problema que o único tipo de probabilidade de que
parece
de fazer qualquer sentido para o teste científico é a probabilidade subjetiva
Bayesian.
Além disso, assim entendida, alguns Bayesians sustentam que as
probabilidades podem
depois de tudo lidar com alguns dos problemas tradicionais de confirmação.
Um dos grandes problemas das bayesianismo, e talvez outros
relatos de como a evidência confirma a teoria, é o "problema da evidência
de idade."
Não é incomum na ciência para uma teoria a ser fortemente confirmada por
dados
já bem conhecido muito antes de a hipótese foi formulada. Com efeito,
quanto
veremos no capítulo 14, esta é uma característica importante de situações
em que
revoluções científicas ocorrem: a teoria de Newton foi fortemente
confirmada por
sua capacidade de explicar os dados em que as teorias de de Galileu e
Kepler estavam
Sediada. teoria geral da relatividade de Einstein explicou anteriormente
reconhecida
mas os dados altamente inesperados tais como a invariância da velocidade
da luz e o
precessão do periélio de Mercúrio. Nestes dois casos p (e) â •> = â •> 1, p
(e / h) é
muito alto. Inserindo esses valores teorema de Bayes nos dá

phe
ph
() = P h
× () = () 1
1
.

Em outras palavras, o teorema de Bayes a evidência de idade não aumenta

o posterior
probabilidade de as em hipótese da neste caso as leis de Newton, ou a
teoria da relatividade especial, em tudo. Bayesians ter ido para grandes
comprimentos para lidar
com este problema. Um estratagema é "morder a bala" e argumentam que
o velho
evidência não de fato confirmar uma nova hipótese. Esta abordagem torna
causa comum com a oposição bem estabelecida a hipóteses que são
projetado com um olho para evidências disponíveis. Os cientistas que
constroem hipóteses
por intencional "ajuste de curva" são justamente criticados e suas hipóteses
são muitas vezes negado poder explicativo, alegando que eles são ad hoc. o
problema com esta estratégia é que ele não tanto resolver o Bayesian
originais
problema da evidência antiga como combiná-lo com outro problema: como
distinguir
casos como a confirmação de Newton e as teorias de Einstein por idade
evidências de casos em que a evidência de idade não confirma uma
hipótese
porque foi acomodada à evidência de idade. A abordagem alternativa
ao problema da evidência velha é para complementar o teorema de Bayes
com alguns
regra que dá p (e) um valor diferente de 1. Por exemplo, pode-se tentar dar
p (e) o valor que ele poderia ter tido antes e foi realmente observado no
passado, ou então tentar reorganizar os próprios presentes crenças
científicas apagando e de
los e qualquer coisa que ae torna provável; e então voltar e atribuir um
valor
para P (E), que presumivelmente irá ser menor do que 1. Isto é obviamente
uma estratégia
extremamente difícil para um realmente adoptar. E é (subjetivamente)
improvável
que qualquer cientista conscientemente pensa desta maneira.
Muitos filósofos e cientistas que se opõem bayesianismo não fazê-lo
por causa das dificuldades que são enfrentadas pelo programa de
desenvolvê-lo como um
conta o carácter real de testes científicos. O problema deles é com a
O compromisso da abordagem ao subjetivismo. A Bayesian afirmam que não
importa
o que probabilidades anteriores o cientista atribui subjectivamente a
hipóteses,
suas probabilidades subjetivas irão convergir em um único valor, não é
suficiente
consolo para os adversários. Só para começar, os valores de p (h) não irá
convergir
se não começarmos com um conjunto completo de hipóteses que são
exaustivas e
concorrentes exclusivos. Isto parece não ser o caso na ciência. Além disso,
objectores argumentam, não há razão para que o valor sobre o qual todos
os cientistas
convergirá pelo conditionalization Bayesian é o valor certo para p (h). este
objeção, claro, assume que há uma coisa como o direito, isto é, a
objetivamente
probabilidade correta, e assim levanta a questão contra a Bayesian. Mas
Ele mostra que bayesianismo é nenhuma solução para o problema da
indução de Hume,
como alguns filósofos esperava que fosse.
E o mesmo vai muito bem para outras interpretações de probabilidade.

Se sequências de eventos revelam frequências relativas de longo prazo que

convergem para
algum valor probabilidade e ficar perto dele para sempre, então poderíamos
contar com eles na
menos para apostas. Mas dizer que as frequências relativas de longo prazo
irá convergir
em algum valor é simplesmente a afirmar que a natureza é uniforme, que o
futuro
será como o passado, e assim levanta a pergunta de Hume. Da mesma
forma, hypothesizing
propensões probabilísticos que operam de maneira uniforme ao longo do
tempo e espaço,
também levanta a questão contra o argumento de Hume. Em probabilidades
gerais são
útil apenas se a indução é justificado, e não vice-versa.
Há um problema mais grave enfrentando bayesianismo. É o mesmo
problema
que subiu contra na discussão de como conciliar o empirismo e
explicação na ciência teórica. Porque o empirismo é a doutrina que
conhecimento é justificada pela observação, em geral, deve dar a maior
probabilidade de declarações que descrevem observações e menor
probabilidade
aos que fazem reivindicações sobre entidades teóricas. Desde teorias
explicam
observações, podemos expressar a relação entre teoria e observação
como (t e t h →) -onde t é a teoria e t → h reflete a explicativo
relação entre as afirmações teóricas da teoria, t e observacional
generalização, h, descrevendo os dados que a teoria nos leva a esperar. o
relação entre t e h pode ser deductive lógico, ou pode ser um pouco mais
relação complexa. Mas p (h) não deve nunca ser inferior p (t e t → h),
apenas
porque o antecedente desta última é uma declaração sobre o que não pode
ser
Observou cuja consequência apenas para observação é h. conditionalization
Bayesian
em provas nunca vai levar-nos a preferir (t e t → h) h sozinho. Mas dar-p (e)
o valor que ele poderia ter tido antes e foi realmente observado no
passado, ou então tentar reorganizar os próprios presentes crenças
científicas apagando e de
los e qualquer coisa que ae torna provável; e então voltar e atribuir um
valor
para P (E), que presumivelmente irá ser menor do que 1. Isto é obviamente
uma estratégia
extremamente difícil para um realmente adoptar. E é (subjetivamente)
improvável
que qualquer cientista conscientemente pensa desta maneira.
Muitos filósofos e cientistas que se opõem bayesianismo não fazê-lo
por causa das dificuldades que são enfrentadas pelo programa de
desenvolvê-lo como um
conta o carácter real de testes científicos. O problema deles é com a
O compromisso da abordagem ao subjetivismo. A Bayesian afirmam que não
importa
o que probabilidades anteriores o cientista atribui subjectivamente a
hipóteses,
suas probabilidades subjetivas irão convergir em um único valor, não é
suficiente
consolo para os adversários. Só para começar, os valores de p (h) não irá
convergir
se não começarmos com um conjunto completo de hipóteses que são
exaustivas e
concorrentes exclusivos. Isto parece não ser o caso na ciência. Além disso,
objectores argumentam, não há razão para que o valor sobre o qual todos
os cientistas
convergirá pelo conditionalization Bayesian é o valor certo para p (h). este
objeção, claro, assume que há uma coisa como o direito, isto é, a
objetivamente
probabilidade correta, e assim levanta a questão contra a Bayesian. Mas
Ele mostra que bayesianismo é nenhuma solução para o problema da
indução de Hume,
como alguns filósofos esperava que fosse.
E o mesmo vai muito bem para outras interpretações de probabilidade.
Se sequências de eventos revelam frequências relativas de longo prazo que
convergem para
algum valor probabilidade e ficar perto dele para sempre, então poderíamos
contar com eles na
menos para apostas. Mas dizer que as frequências relativas de longo prazo
irá convergir
em algum valor é simplesmente a afirmar que a natureza é uniforme, que o
futuro
será como o passado, e assim levanta a pergunta de Hume. Da mesma
forma, hypothesizing
propensões probabilísticos que operam de maneira uniforme ao longo do
tempo e espaço,
também levanta a questão contra o argumento de Hume. Em probabilidades
gerais são
útil apenas se a indução é justificado, e não vice-versa.
Há um problema mais grave enfrentando bayesianismo. É o mesmo
problema
que subiu contra na discussão de como conciliar o empirismo e
explicação na ciência teórica. Porque o empirismo é a doutrina que
conhecimento é justificada pela observação, em geral, deve dar a maior
probabilidade de declarações que descrevem observações e menor
probabilidade
aos que fazem reivindicações sobre entidades teóricas. Desde teorias
explicam
observações, podemos expressar a relação entre teoria e observação
como (t e t h →) -onde t é a teoria e t → h reflete a explicativo
relação entre as afirmações teóricas da teoria, t e observacional
generalização, h, descrevendo os dados que a teoria nos leva a esperar. o
relação entre t e h pode ser deductive lógico, ou pode ser um pouco mais
relação complexa. Mas p (h) não deve nunca ser inferior p (t e t → h),
apenas
porque o antecedente desta última é uma declaração sobre o que não pode
ser
Observou cuja consequência apenas para observação é h. conditionalization
Bayesian
em provas nunca vai levar-nos a preferir (t e t → h) h sozinho. Mas isso quer
dizer que bayesianismo não pode explicar por que os cientistas abraçar
teorias em tudo, em vez de apenas de acordo com elevada probabilidade
subjetiva ao
generalizações observacionais que se lhes seguem.
Claro que, se o poder explicativo de uma teoria eram uma razão para
acordo
-lhe uma alta probabilidade prévia, então teorias abraço dos cientistas seria
racionais do ponto de vista Bayesian. Mas a conceder poder explicativo
tal papel no reforço do grau de crença requer uma conta de explicação.
E não apenas qualquer conta. Não pode, por exemplo, se contentar com o
modelo D-N, para a principal virtude desta conta de explicação é que ele
mostra que o fenómeno explanandum poderia ser esperado com pelo
menos
alta probabilidade. Em outras palavras, motivos poder explicativo sobre o
reforço
probabilidade, e assim não pode servir como uma alternativa à
probabilidade como um
fonte de confiança em nossas teorias. Argumentar, como parece tentador,
que o nosso
teorias são explicativa em grande parte porque eles vão além e por baixo
observações aos seus mecanismos subjacentes é algo que o Bayesian
Não pode fazer.

Resumo
Empirismo é a epistemologia que tem tentado fazer sentido do papel do
observação na certificação do conhecimento científico. Desde o século XVII
século, se não antes, uma tradição de filósofos como Inglês de língua
Hobbes, Locke, Berkeley, Hume e Mill têm encontrado inspiração em ciência
da
sucessos de suas filosofias e argumentos filosóficos procurado
a reivindicação de ciência do solo. Ao fazê-lo, estes filósofos e seus
sucessores
definir a agenda da filosofia da ciência e revelou quão complexo é o
relação aparentemente simples e direta entre a teoria e as evidências.
Mas empiristas nunca foram acrítica na sua avaliação científica
métodos e do mandado epistemológica das suas afirmações. Vimos alguns
dos
estes problemas em ligação com o problema do significado do valor teórico
termos e realismo científico em capítulos anteriores. Aqui temos explorado
outro problema de frente para o empirismo como a epistemologia da ciência
oficial:
o problema da indução, que remonta a Hume, e adicionados à agenda
de problemas para ambos os empiristas e racionalistas.
No século XX, os sucessores dos empiristas britânicos, a lógica
positivistas ou empiristas lógicos como alguns deles preferia ser chamado,
procurou combinar a epistemologia empírica de seus antecessores com
avanços na lógica, a teoria da probabilidade e inferência estatística, para
completar
o projeto iniciado por Locke, Berkeley e Hume. Em particular, os filósofos
têm apelado para o teorema de Bayes, um resultado fornecido no momento
Hume
formulou seu problema da indução, para ajudar a compreender como
suportes em evidências
hipóteses em ciência. Vimos que apelar a probabilidade é de
não significa sem problemas. Na verdade, coloca os seus próprios
problemas, juntamente com qualquer que
poderia colocar para descansar. Vamos encontrar mais desses problemas no
próximo capítulo. O problemas empirismo enfrenta em iluminar a
epistemologia da
ciência continuam a crescer mesmo quando a disponibilidade de
alternativas plausíveis
declina.

Perguntas de estudo
1. Discutir criticamente: "Muitos dos cientistas buscar ciência com sucesso
sem qualquer respeito à epistemologia. A ideia de que a ciência tem uma
'Oficial', e que o empirismo é isso, é equivocada. "
2. Por que seria correto chamar Locke o pai de científico moderno
realismo e Berkeley o originador do instrumentalismo?
Como Berkeley responderia ao argumento para o realismo como um
inferência para a melhor explicação do sucesso da ciência?
3. Qual deve ser a relação entre o conceito normal de
provas como, por exemplo empregadas nos tribunais e o cientista de
a utilização do termo no teste de teorias gerais?
4. Defender a alegação de que existem vários diferente mas compatível
significados da palavra "probabilidade" na ciência. É um deles
mais fundamental do que os outros?
5. O que você precisa adicionar ao teorema de Bayes para resolver o
problema
de indução?