CCF20090513016

CCF20090513016



50


l. Indukcja i wyjaśnianie

równe zero, lo jest istnieje takie /, że dla każdego i * j P(G a B. a £) = 0. Wówczas32:

P(W|G a £) = P(WjG a B.aE).

Teraz jest oczywiste, że PCWIG a £), to jest prawdopodobieństwo dotarcia do Warszawy bez tankowania pod warunkiem, że dotarliśmy do Grójca i mamy świadectwo E na temat aktualnego poziomu paliwa w baku, może być drastycznie różne od — = P(W|G), to jest prawdopodobieństwa dotarcia do Warszawy bez tankowania pod warunkiem, że dotarliśmy do Grójca, przy braku innych świadectw. Jeżeli do tego dołączymy świadectwo D na temat warunków drogowych na odcinku z Grójca do Warszawy, otrzymamy jeszcze inne prawdopodobieństwo P(W|G’ a £ a D).

Opisane wyżej modyfikacje prawdopodobieństwa dotarcia do Warszawy wydają się bardzo trafnymi posunięciami w rozważanej przez nas sytuacji cpistemicznej. Zwolennik bayesianizmu twierdziłby zapewne, że można je uzyskać jego metodą, uwzględniając kolejno świadectwa E i D, to jest obliczając prawdopodobieństwa P’(W|£) i P"(W|£>), gdzie P’(W) = P(W\G), a P"(W) = P'(W|£). Powstają jednak kłopotliwe pytania. Po pierwsze, skąd bayesia-nista ma wiedzieć, że powinien szukać świadectw £ i D? Dlaczego zamiast £ nie będzie rozważał na przykład świadectwa £ na temat czasu podróży z Krakowa do Grójca? Albo świadectwa na temat temperatury powietrza w Grójcu w chwili przybycia? Oba - na pozór absurdalne - świadectwa nie są bynajmniej probabilistycznie niezależne od W. Czas podróży zależy od średniej prędkości, temperatura powietrza ma związek z warunkami drogowymi. Jedno i drugie ma zaś wpływ na zużycie paliwa, czyli na prawdopodobieństwo dotarcia do Warszawy. Jednak, wedle naszej najlepszej wiedzy, £ i D mają znacznie bardziej bezpośredni związek z rozważanym problemem i nie ma żadnego powodu, aby zamiast nich rozpatrywać świadectwa dające dużo gorsze oszacowania prawdopodobieństwa. Po drugie, w świetle naszej wiedzy, wydaje się wysoce niewiarygodne, aby ktokolwiek stosował wzór Bayesa do wyznaczenia na przykład P’(IV| £). W tym

12 Ponieważ przy tym założeniu P(G a a £) = 1.

2. Nauka jako wiedza prawdopodobna

51


celu bowiem należałoby wcześniej wyliczyć P’(£ | W), to jest prawdopodobieństwo, że licznik paliwa w Grójcu wskazywał niespełna i cm3 pod warunkiem, że samochód dojechał do Warszawy. To zaś wydaje się bardziej skomplikowane od oszacowania za pomocą wiedzy na temat wydajności silnika samochodu, bez użycia twierdzenia Bayesa, prawdopodobieństwa dojechania do Warszawy pod warunkiem że licznik paliwa w Grójcu wskazywał niespełna i cm3.

Problem istotności świadectw prowadzi do regresu w nieskończoność


Z powyższej dyskusji wynika, że aby stosować twierdzenie Bayesa z pożytkiem, trzeba posługiwać się wiedzą na temat poziomu istotności świadectw dla rozważanej hipotezy. W przykładzie samochodowym posłużyliśmy się wiedzą potoczną na temat ogólnych mechanizmów spalania paliwa. W innych wypadkach będzie podobnie: ocena użyteczności świadectw dla szacowania prawdopodobieństwa danej hipotezy, a tym samym ocena wartości poznawczej oszacowania tego prawdopodobieństwa, będzie zależała od jakiejś wcześniejszej wiedzy, wiedzy empirycznej na temat stałych związków między zjawiskami. Tego rodzaju wiedzę nabywamy metodą indukcji. Gdyby bayesianizm byl trafną rekonstrukcją metody indukcyjnej, owa wcześniejsza wiedza byłaby również wiedzą prawdopodobną. Do oszacowania jej prawdopodobieństwa trzeba byłoby użyć jakichś świadectw. Ocena trafności doboru świadectw do oszacowania prawdopodobieństwa wcześniejszej wiedzy zależałaby od jakiejś jeszcze wcześniejszej wiedzy, która również byłaby tylko prawdopodobna, i tak dalej. Znowu otrzymujemy regres w nieskończoność.

Ostatecznie więc nawet jeżeli bayesianizm, inaczej niż program Carnapa, radzi sobie z problemem arbitralności wyboru wyjściowego rozkładu prawdopodobieństwa, to - podobnie jak program Carnapa - nieuchronnie prowadzi do regresu w nieskończoność. Wydaje się, że jest to nieodłączna cecha każdej propozycji rozwiązania problemu indukcji w duchu probabilizmu. Prawdopodobieństwa bowdem nie spadają z nieba. Zależności probabilistyczne między zdaniami wynikają z pewnych założeń. Te założenia same podlegają ocenie ze względu na stopień wiarygodności. Jeżeli stopień wiarygodności hipotezy zależy od oceny jej prawdopodobieństwa, powstaje regres w nieskończoność.


Wyszukiwarka

Podobne podstrony:
CCF20090514009 122 l. Indukcja i wyjaśnianie prawem przyczynowym; (iv) x jest czynnikiem istotnym p
CCF20090513003 24 I. Indukcja i wyjaśnianie uogólnieniu w rodzaju: jeżeli A, jest B, A, jest B,...
Scan10009 (10) inny (tzw. transfer) bywa różny. Bardzo często transfer jest tak
CCF20090513021 60 l. Indukcja i wyjaśnianie sowano 2, jest równe 1, bo 2 jest liczbą pierwszą. Nato
CCF20090513011 40 l. Indukcja i wyjaśnianie tyczne logicznie od niego niezależne byłoby równe prawd
CCF20090513024 66 I. Indukcja i wyjaśnianie niezbyt śmiałą hipotezę tej treści, że gotowana marchew
CCF20090513025 68 I. Indukcja i wyjaśnianie /dań w rodzaju „tam-i-wtedy zdarzyło się lo-a-to”. Zdan
CCF20090513026 70 I. Indukcja i wyjaśnianie sylikacjonizm jest oczywiście odmianą fallibilizmu: jeż
CCF20090513031 80 l. Indukcja i wyjaśnianie treść empiryczną. Toteż warunek prostoty w gruncie rzec
CCF20090513038 94 I. Indukcja i wyjaśnianie która mówi, że pytanie jest źle postawione, to znaczy j
CCF20090513039 96 l. Indukcja i wyjaśnianie tu, ?E zaś jest pytaniem o wynik eksperymentu96. Na prz
CCF20090514014 132 l. indukcja i wyjaśnianie Żeby sprawdzić, czy warunek (ii) jest spełniony, możem
Grobler1 56 t. Indukcja i wyjaśnianie Zdaniem Hempla, paradoks jest pozorny, ponieważ w gruncie rze
CCF20090513019 56 I. Indukcja i wyjaśnianie Carl G. Hempel (1905-1997), filozof urodzony w Niemczec
CCF20090514013 130 l. Indukcja i wyjaśnianie sprawdzenia hipotezy ciśnienia atmosferycznego Perier
CCF20090513019 56 I. Indukcja i wyjaśnianie Carl G. Hempel (1905-1997), filozof urodzony w Niemczec
CCF20090513004 Zb I. Indukcja i wyjaśnianie selekcji czynników. Wówczas może metoda indukcji elimin

więcej podobnych podstron