A epistemologia bayesiana é uma abordagem formal para várias temas da epistemologia que tem suas raízes no trabalho de Thomas 🌟 Bayes no campo da teoria das probabilidades.
[1] Uma vantagem de seu método formal em contraste com a epistemologia tradicional é 🌟 que seus conceitos e teoremas podem ser definidos com um alto grau de precisão.
Baseia-se na ideia de que as crenças 🌟 podem ser interpretadas como probabilidades subjetivas.
Como tal, elas estão sujeitas às leis da teoria das probabilidades, que atuam como normas 🌟 de racionalidade.
Estas normas podem ser divididas em condições estáticas, governando a racionalidade das crenças a qualquer momento, e condições dinâmicas, 🌟 governando como os agentes racionais devem mudar suas crenças ao receberem nova evidência.
A expressão Bayesiana mais característica destes princípios é 🌟 encontrada na forma das chamadas "Dutch books" que ilustram a irracionalidade nos agentes através de uma série de apostas que 🌟 levam a uma perda para o agente, não importa qual dos eventos probabilísticos ocorra.
Os bayesianos aplicaram esses princípios fundamentais a 🌟 vários tópicos epistemológicos, mas o bayesianismo não cobre todos os tópicos da epistemologia tradicional.
O problema da confirmação na filosofia da 🌟 ciência, por exemplo, pode ser abordado através do princípio bayesiano de condicionalização, sustentando que uma evidência confirma uma teoria se 🌟 aumenta a probabilidade de que essa teoria seja verdadeira.
Várias propostas foram feitas para definir o conceito de coerência em termos 🌟 de probabilidade, geralmente no sentido de que duas proposições são coerentes se a probabilidade de jogo ganhar dinheiro no pix conjunção for maior do 🌟 que se estivessem neutralmente relacionadas entre si.
A abordagem bayesiana também foi frutífera no campo da epistemologia social, por exemplo, no 🌟 que diz respeito ao problema do testemunho ou ao problema da crença grupal.
O bayesianismo ainda enfrenta várias objeções teóricas que 🌟 não foram totalmente resolvidas.
Relação com a epistemologia tradicional [ editar | editar código-fonte ]
A epistemologia tradicional e a epistemologia bayesiana 🌟 são ambas formas de epistemologia, mas diferem em vários aspectos, por exemplo, no que diz respeito à jogo ganhar dinheiro no pix metodologia, jogo ganhar dinheiro no pix 🌟 interpretação da crença, o papel que a justificação ou confirmação desempenha nelas e alguns de seus interesses de pesquisa.
A epistemologia 🌟 tradicional se concentra em temas como a análise da natureza do conhecimento, geralmente em termos de crenças verdadeiras justificadas, as 🌟 fontes de conhecimento, como percepção ou testemunho, a estrutura de um corpo de conhecimento, por exemplo, na forma de fundacionalismo 🌟 ou coerentismo, e o problema do ceticismo filosófico ou a questão de se o conhecimento é possível.
[2][3] Essas investigações são 🌟 geralmente baseadas em intuições epistêmicas e consideram as crenças como ou presentes ou ausentes.
[4] A epistemologia bayesiana, por outro lado, 🌟 funciona formalizando conceitos e problemas, que muitas vezes são vagos na abordagem tradicional.
Assim, concentra-se mais nas intuições matemáticas e promete 🌟 um maior grau de precisão.
[1][4] Vê a crença como um fenômeno contínuo que vem em vários graus, os chamados "credences".
[5] 🌟 Alguns bayesianos até sugeriram que a noção regular de crença deveria ser abandonada.
[6] Mas também há propostas para conectar os 🌟 dois, por exemplo, a tese lockeana, que define a crença como um grau de crença acima de um certo limite.
[7][8] 🌟 A justificação desempenha um papel central na epistemologia tradicional, enquanto os bayesianos se concentraram nas noções relacionadas de confirmação e 🌟 desconfirmação através da evidência.
[5] A noção de evidência é importante para ambas as abordagens, mas somente a abordagem tradicional se 🌟 interessou em estudar as fontes de evidência, como percepção e memória.
O bayesianismo, por outro lado, se concentrou no papel da 🌟 evidência para a racionalidade: como o grau de crença de alguém deve ser ajustada ao receber nova evidência.
[5] Há uma 🌟 analogia entre as normas bayesianas de racionalidade em termos de leis probabilísticas e as normas tradicionais de racionalidade em termos 🌟 de consistência dedutiva.
[5][6] Certos problemas tradicionais, como o tema do ceticismo sobre nosso conhecimento do mundo externo, são difíceis de 🌟 expressar em termos bayesianos.[5]
A epistemologia bayesiana é baseada apenas em alguns princípios fundamentais, que podem ser usados para definir várias 🌟 outras noções e podem ser aplicados a muitos temas da epistemologia.
[5][4] Em jogo ganhar dinheiro no pix essência, esses princípios constituem condições sobre como 🌟 devemos atribuir graus de crença às proposições.
Eles determinam o que um agente idealmente racional acreditaria.
[6] Os princípios básicos podem ser 🌟 divididos em princípios sincrônicos ou estáticos, que regem como os graus de crença devem ser atribuídos em qualquer momento, e 🌟 princípios diacrônicos ou dinâmicos, que determinam como o agente deve mudar suas crenças ao receber nova evidência.
Os axiomas de probabilidade 🌟 e o "princípio principal" pertencem aos princípios estáticos, enquanto o princípio de condicionalização rege os aspectos dinâmicos como uma forma 🌟 de inferência probabilística.
[6][4] A expressão bayesiana mais característica desses princípios é encontrada na forma de "Dutch books", que ilustram a 🌟 irracionalidade nos agentes através de uma série de apostas que levam a uma perda para o agente, não importa qual 🌟 dos eventos probabilísticos ocorra.
[4] Este teste para determinar a irracionalidade é conhecido como o "teste pragmático autoderrotista" (pragmatic self-defeat test).[6]
Crenças, 🌟 probabilidade e apostas [ editar | editar código-fonte ]
Uma diferença importante para a epistemologia tradicional é que a epistemologia bayesiana 🌟 se concentra não na noção de crença simples, mas na noção de graus de crença, os chamados "credences".
[1] Esta abordagem 🌟 tenta captar a ideia da certeza:[4] acreditamos em todos os tipos de afirmações, mas estamos mais certos de algumas, como 🌟 que a terra é redonda, do que de outras, como que Platão foi o autor do Primeiro Alcibíades.
Esses graus vêm 🌟 em valores entre 0 e 1.
0 corresponde à descrença total, 1 corresponde à crença total e 0,5 corresponde à suspensão 🌟 da crença.
De acordo com a interpretação bayesiana de probabilidade, os graus de crença representam probabilidades subjetivas.Seguindo Frank P.
Ramsey, eles são 🌟 interpretados em termos da disposição para apostar dinheiro em uma afirmação.
[9][1][4] Portanto, ter um grau de crença de 0,8 (ou 🌟 seja, 80%) de que seu time de futebol favorito ganhará o próximo jogo significaria estar disposto a apostar até quatro 🌟 dólares pela oportunidade de obter um lucro de um dólar.
Esse relato estabelece uma conexão estreita entre a epistemologia bayesiana e 🌟 a teoria da decisão.
[10][11] Pode parecer que o comportamento das apostas é apenas uma área especial e, como tal, não 🌟 é adequado para definir uma noção tão geral como graus de crença.
Mas, como Ramsey argumenta, apostamos o tempo todo quando 🌟 se entende no sentido mais amplo.
Por exemplo, ao irmos para a estação de trem, apostamos que o trem chegaria a 🌟 tempo, caso contrário teríamos ficado em casa.
[4] Decorre da interpretação de graus de crença em termos de disposição para fazer 🌟 apostas que seria irracional atribuir um grau de 0 ou 1 a qualquer proposição, exceto ás contradições e tautologias.
[6] A 🌟 razão para isto é que atribuir esses valores extremos significaria que se estaria disposto a apostar qualquer coisa, incluindo a 🌟 própria vida, mesmo que a recompensa fosse mínima.
[1] Outro efeito colateral negativo de tais graus extremos é que elas são 🌟 fixados permanentemente e não podem mais ser atualizadas ao adquirir nova evidência.
Este princípio central do bayesianismo, que os graus de 🌟 crença são interpretados como probabilidades subjetivas e, portanto, regidos pelas normas de probabilidade, foi denominado "probabilismo".
[10] Essas normas expressam a 🌟 natureza das crenças dos agentes idealmente racionais.
[4] Elas não colocam exigências sobre qual grau de crença devemos ter em uma 🌟 crença específica, por exemplo, se vai chover amanhã.
Em vez disso, restringem o sistema de crenças como um todo.
[4] Por exemplo, 🌟 se a jogo ganhar dinheiro no pix crença de que vai chover amanhã é 0,8, então seu grau de crença na proposição oposta, ou 🌟 seja, que não vai chover amanhã, deve ser 0,2, não 0,1 ou 0,5.
De acordo com Stephan Hartmann e Jan Sprenger, 🌟 os axiomas de probabilidade podem ser expressos através das seguintes duas leis: (1) P ( A ) = 1 {\displaystyle 🌟 P(A)=1} para qualquer tautologia; (2) Para proposições incompatíveis (mutuamente exclusivas) A {\displaystyle A} e B {\displaystyle B} , P ( 🌟 A ∨ B ) = P ( A ) + P ( B ) {\displaystyle P(A\lor B)=P(A)+P(B)} .[4]
Outro importante princípio 🌟 bayesiano de graus de crença é o princípio principal devido a David Lewis.
[10] Afirma que nosso conhecimento de probabilidades objetivas 🌟 deve corresponder às nossas probabilidades subjetivas na forma de graus de crença.
[4][5] Então, se alguém sabe que a chance objetiva 🌟 de uma moeda cair cara é de 50%, então o grau de crença de que a moeda cairá cara deveria 🌟 ser 0,5.
Os axiomas de probabilidade junto com o princípio principal determinam o aspecto estático ou sincrônico da racionalidade: como devem 🌟 ser as crenças de um agente quando se considera apenas um momento.
[1] Mas a racionalidade também envolve um aspecto dinâmico 🌟 ou diacrônico, que entra em jogo para mudar os graus de crença ao ser confrontado com nova evidência.
Este aspecto é 🌟 determinado pelo princípio de condicionalização.[1][4]
Princípio de condicionalização [ editar | editar código-fonte ]
O princípio de condicionalização rege como o grau 🌟 de crença de um agente em uma hipótese deve mudar ao receber nova evidência a favor ou contra esta hipótese.
[6][10] 🌟 Como tal, expressa o aspecto dinâmico de como os agentes racionais ideais se comportariam.
[1] Baseia-se na noção de probabilidade condicional, 🌟 que é a medida da probabilidade de que um evento ocorra dado que outro evento já ocorreu.
A probabilidade incondicional de 🌟 que A {\displaystyle A} ocorra é geralmente expressa como P ( A ) {\displaystyle P(A)} , enquanto a probabilidade condicional 🌟 de que A {\displaystyle A} ocorra dado que B {\displaystyle B} já ocorreu é escrito como P ( A ∣ 🌟 B ) {\displaystyle P(A\mid B)} .
Por exemplo, a probabilidade de atirar uma moeda duas vezes e a moeda cair cara 🌟 duas vezes é de apenas 25%.
Mas a probabilidade condicional de isso ocorrer, dado que a moeda caiu cara na primeira 🌟 vez é então 50%.
O princípio de condicionalização aplica esta ideia às crenças:[1] devemos mudar nosso grau de crença de que 🌟 a moeda vai cair cara duas vezes ao receber evidência de que já caiu cara na primeira vez.
A probabilidade atribuída 🌟 à hipótese antes do evento é chamada de probabilidade a priori.
[12] A probabilidade depois é chamada de probabilidade a posteriori.
Segundo 🌟 o princípio simples de condicionalização, isto pode ser expresso da seguinte forma: P posterior ( H ) = P prior 🌟 ( H ∣ E ) = P prior ( H ∧ E ) P prior ( E ) {\displaystyle P_{\text{posterior}}(H)=P_{\text{prior}}(H\mid 🌟 E)={\frac {P_{\text{prior}}(H\land E)}{P_{\text{prior}}(E)}}} .
[1][6] Assim, a probabilidade a posteriori de que a hipótese seja verdadeira é igual à probabilidade condicional 🌟 a priori de que a hipótese seja verdadeira em relação à evidência, que é igual à probabilidade a priori de 🌟 que tanto a hipótese quanto a evidência sejam verdadeiras, dividida pela probabilidade a priori de que a evidência seja verdadeira.
A 🌟 expressão original deste princípio, referida como teorema de Bayes, pode ser deduzida diretamente dessa formulação.[6]
O princípio simples de condicionalização faz 🌟 a suposição de que nosso grau de crença na evidência adquirida, ou seja, jogo ganhar dinheiro no pix probabilidade a posteriori, é 1, o 🌟 que é irrealista.
Por exemplo, os cientistas às vezes precisam descartar evidências previamente aceitas ao fazer novas descobertas, o que seria 🌟 impossível se o grau de crença correspondente fosse 1.
[6] Uma forma alternativa de condicionalização, proposta por Richard Jeffrey, ajusta a 🌟 fórmula para levar em conta a probabilidade da evidência:[13][14] P posterior ( H ) = P prior ( H ∣ 🌟 E ) ⋅ P posterior ( E ) + P prior ( H ∣ ¬ E ) ⋅ P posterior 🌟 ( ¬ E ) {\displaystyle P_{\text{posterior}}(H)=P_{\text{prior}}(H\mid E)\cdot P_{\text{posterior}}(E)+P_{\text{prior}}(H\mid \lnot E)\cdot P_{\text{posterior}}(\lnot E)} .[6]
Um Dutch book é uma série de apostas 🌟 que resulta necessariamente em uma perda.
[15][16] Um agente é vulnerável a um Dutch book se suas crenças violarem as leis 🌟 da probabilidade.
[4] Isso pode ser tanto em casos sincrônicos, nos quais o conflito acontece entre crenças mantidas ao mesmo tempo, 🌟 quanto em casos diacrônicos, nos quais o agente não responde adequadamente a nova evidência.
[6][16] No caso sincrônico mais simples, apenas 🌟 duas crenças estão envolvidas: a crença em uma proposição e em jogo ganhar dinheiro no pix negação.
[17] As leis da probabilidade sustentam que estes 🌟 dois graus de crença juntos devem somar 1, já que ou a proposição ou jogo ganhar dinheiro no pix negação são verdadeiras.
Os agentes que 🌟 violam esta lei são vulneráveis a um Dutch book sincrônico.
[6] Por exemplo, dada a proposição de que vai chover amanhã, 🌟 suponha que o grau de crença de um agente de que é verdadeiro é 0,51 e o grau de que 🌟 é falso também é 0,51.
Neste caso, o agente estaria disposto a aceitar duas apostas de $0,51 pela oportunidade de ganhar 🌟 $1: uma de que vai chover e outra de que não vai chover.
As duas apostas juntas custam $1,02, resultando em 🌟 uma perda de $0,02, não importa se vai chover ou não.
[17] O princípio por trás dos Dutch books diacrônicos é 🌟 o mesmo, mas eles são mais complicados, pois envolvem fazer apostas antes e depois de receber nova evidência e têm 🌟 que levar em conta que há uma perda em cada caso, não importa como a evidência resulte.[17][16]
Há diferentes interpretações sobre 🌟 o que significa que um agente é vulnerável a um Dutch book.
Segundo a interpretação tradicional, tal vulnerabilidade revela que o 🌟 agente é irracional, já que se envolveria voluntariamente em um comportamento que não é do seu melhor interesse pessoal.
[6] Um 🌟 problema com essa interpretação é que ela assume a onisciência lógica como requisito para a racionalidade, o que é problemático 🌟 especialmente em casos diacrônicos complicados.
Uma interpretação alternativa usa os Dutch books como "uma espécie de heurística para determinar quando os 🌟 graus de crença de alguém têm o potencial de serem pragmaticamente autoderrotistas".
[6] Essa interpretação é compatível com a manutenção de 🌟 uma visão mais realista da racionalidade diante das limitações humanas.[16]
Os Dutch books estão intimamente relacionados com os axiomas da probabilidade.
[16] 🌟 O teorema Dutch book sustenta que apenas as atribuições de graus de crença que não seguem os axiomas da probabilidade 🌟 são vulneráveis aos Dutch books.
O teorema Dutch book inverso afirma que nenhuma atribuição de graus de crença que siga estes 🌟 axiomas é vulnerável a um Dutch book.[4][16]
Teoria da confirmação [ editar | editar código-fonte ]
Na filosofia da ciência, a confirmação 🌟 refere-se à relação entre uma evidência e uma hipótese confirmada por ela.
[18] A teoria da confirmação é o estudo da 🌟 confirmação e desconfirmação: como as hipóteses científicas são apoiadas ou refutadas pela evidência.
[19] A teoria da confirmação bayesiana fornece um 🌟 modelo de confirmação baseado no princípio de condicionalização.
[6][18] Uma evidência confirma uma teoria se a probabilidade condicional dessa teoria em 🌟 relação à evidência for maior que a probabilidade incondicional da teoria por si só.
[18] Expresso formalmente: P ( H ∣ 🌟 E ) > P ( H ) {\displaystyle P(H\mid E)>P(H)} .
[6] Se a evidência diminuir a probabilidade da hipótese, então 🌟 ela a desconfirma.
Os cientistas geralmente não estão interessados apenas em saber se uma evidência apoia uma teoria, mas também em 🌟 quanto apoio ela fornece.
Há diferentes maneiras de determinar esse grau.
[18] A versão mais simples apenas mede a diferença entre a 🌟 probabilidade condicional da hipótese relativa à evidência e a probabilidade incondicional da hipótese, ou seja, o grau de apoio é 🌟 P ( H ∣ E ) − P ( H ) {\displaystyle P(H\mid E)-P(H)} .
[4] O problema com a medição 🌟 desse grau é que depende de quão certa a teoria já está antes de receber a evidência.
Portanto, se um cientista 🌟 já está muito certo de que uma teoria é verdadeira, então mais uma evidência não afetará muito seu grau de 🌟 crença, mesmo que a evidência seja muito forte.
[6][4] Existem outras condições para como uma medida de evidência deve se comportar, 🌟 por exemplo, evidência surpreendente, ou seja, evidência que tinha uma probabilidade baixa por si só, deve fornecer mais apoio.
[4][18] Os 🌟 cientistas são frequentemente confrontados com o problema de ter que decidir entre duas teorias concorrentes.
Em tais casos, o interesse não 🌟 está tanto na confirmação absoluta, ou em quanto uma nova evidência apoiaria esta ou aquela teoria, mas na confirmação relativa, 🌟 ou seja, em qual teoria é mais apoiada pela nova evidência.[6]
Um problema bem conhecido na teoria da confirmação é o 🌟 paradoxo do corvo de Carl Gustav Hempel.
[20][19][18] Hempel começa apontando que ver um corvo preto conta como evidência para a 🌟 hipótese de que todos os corvos são pretos enquanto que ver uma maçã verde geralmente não é considerado evidência a 🌟 favor ou contra essa hipótese.
O paradoxo consiste na consideração de que a hipótese "todos os corvos são pretos" é logicamente 🌟 equivalente à hipótese "se algo não é preto, então não é um corvo".
[18] Portanto, já que ver uma maçã verde 🌟 conta como evidência para a segunda hipótese, também deve contar como evidência para a primeira.
[6] O bayesianismo permite que ver 🌟 uma maçã verde apoie a hipótese do corvo enquanto explica nossa intuição inicial do contrário.
Este resultado é alcançado se assumirmos 🌟 que ver uma maçã verde fornece um apoio mínimo, mas ainda positivo, para a hipótese do corvo, enquanto que ver 🌟 um corvo preto fornece um apoio significativamente maior.[6][18][20]
A coerência desempenha um papel central em várias teorias epistemológicas, por exemplo, na 🌟 teoria da coerência da verdade ou na teoria da coerência da justificação.
[21][22] Muitas vezes se supõe que conjuntos de crenças 🌟 são mais prováveis de serem verdadeiros se forem coerentes do que de outra forma.
[1] Por exemplo, é mais provável que 🌟 confiemos em um detetive que pode conectar todas as evidências em uma história coerente.
Mas não há um acordo geral sobre 🌟 como a coerência deve ser definida.
[1][4] O bayesianismo foi aplicado a este campo ao sugerir definições precisas de coerência em 🌟 termos de probabilidade, que podem então ser empregadas para enfrentar outros problemas relacionados com a coerência.
[4] Uma dessas definições foi 🌟 proposta por Tomoji Shogenji, que sugere que a coerência entre duas crenças é igual à probabilidade de jogo ganhar dinheiro no pix conjunção dividida 🌟 pelas probabilidades de cada uma por si mesma, ou seja, C o h e r e n c e ( 🌟 A , B ) = P ( A ∧ B ) ( P ( A ) ⋅ P ( B 🌟 ) ) {\displaystyle Coherence(A,B)={\frac {P(A\land B)}{(P(A)\cdot P(B))}}} .
[4][23] Intuitivamente, isto mede a probabilidade de que as duas crenças sejam verdadeiras 🌟 ao mesmo tempo, em comparação com a probabilidade de que isso ocorresse se elas estivessem neutralmente relacionadas entre si.
[23] A 🌟 coerência é alta se as duas crenças são relevantes uma para a outra.
[4] A coerência definida desta forma é relativa 🌟 a uma atribuição de graus de crença.
Isto significa que duas proposições podem ter uma alta coerência para um agente e 🌟 uma baixa coerência para outro agente devido à diferença nas probabilidades a priori das crenças dos agentes.[4]
A epistemologia social estuda 🌟 a relevância dos fatores sociais para o conhecimento.
[24] No campo da ciência, por exemplo, isto é relevante, já que os 🌟 cientistas individuais frequentemente têm que confiar nas descobertas de outros cientistas para progredir.
[1] A abordagem bayesiana pode ser aplicada a 🌟 vários tópicos da epistemologia social.
Por exemplo, o raciocínio probabilístico pode ser usado no campo do testemunho para avaliar quão confiável 🌟 é um determinado relatório.
[6] Desta maneira, pode ser formalmente demonstrado que os relatórios de testemunhas que são probabilisticamente independentes uns 🌟 dos outros fornecem mais apoio do que de outra forma.
[1] Outro tema da epistemologia social diz respeito à questão de 🌟 como agregar as crenças dos indivíduos dentro de um grupo para chegar à crença do grupo como um todo.
[24] O 🌟 bayesianismo aborda esse problema agregando as atribuições de probabilidade dos diferentes indivíduos.[6][1]
Problema dos priores [ editar | editar código-fonte ]
Para 🌟 tirar inferências probabilísticas baseadas em nova evidência, é necessário já ter uma probabilidade a priori atribuída à proposição em questão.
[25] 🌟 Mas isto nem sempre é assim: á muitas proposições que o agente nunca considerou e, portanto, carece de um grau 🌟 de crença.
Este problema geralmente é resolvido atribuindo uma probabilidade à proposição em questão, a fim de aprender com a nova 🌟 evidência através da condicionalização.
[6][26] O problema dos priores diz respeito à questão de como essa atribuição inicial deve ser feita.
[25] 🌟 Os bayesianos subjetivos sustentam que não há ou há poucas condições além da coerência probabilística que determinam como atribuímos as 🌟 probabilidades iniciais.
O argumento para essa liberdade na escolha dos graus iniciais de crença é que os graus mudarão à medida 🌟 que adquirirmos mais evidências e convergirão para o mesmo valor depois de passos suficientes, não importa por onde comecemos.
[6] Os 🌟 bayesianos objetivos, por outro lado, afirmam que existem várias condições que determinam a atribuição inicial.
Uma condição importante é o princípio 🌟 da indiferença.
[5][25] Afirma que os graus de crença devem ser distribuídas igualmente entre todos os resultados possíveis.
[27][10] Por exemplo, um 🌟 agente quer predizer a cor das bolas sacadas de uma urna que contém apenas bolas vermelhas e pretas, sem qualquer 🌟 informação sobre a proporção de bolas vermelhas e pretas.
[6] Aplicado a esta situação, o princípio da indiferença afirma que o 🌟 agente deve inicialmente assumir que a probabilidade de sacar uma bola vermelha é de 50%.
Isto se deve a considerações simétricas: 🌟 é a única atribuição em que as probabilidades a priori são invariantes a uma mudança de etiqueta.
[6] Embora essa abordagem 🌟 funcione para alguns casos, produz paradoxos em outros.
Outra objeção é que não se deve atribuir probabilidades a priori com base 🌟 na ignorância inicial.[6]
Problema da onisciência lógica [ editar | editar código-fonte ]
As normas de racionalidade segundo as definições padrão da 🌟 epistemologia bayesiana assumem a onisciência lógica: o agente tem que se assegurar de seguir exatamente todas as leis de probabilidade 🌟 para todas as suas crenças, a fim de contar como racional.
[28][29] Quem não o faz é vulnerável aos Dutch books 🌟 e, portanto, é irracional.
Este é uma norma irrealista para os seres humanos, como os críticos apontaram.[6]
Problema da evidência antiga [ 🌟 editar | editar código-fonte ]
O problema da evidência antiga diz respeito aos casos em que o agente não sabe, no 🌟 momento de adquirir uma evidência, que confirma uma hipótese, mas só fica sabendo dessa relação de apoio mais tarde.
[6] Normalmente, 🌟 o agente aumentaria jogo ganhar dinheiro no pix crença na hipótese após descobrir essa relação.
Mas isto não é permitido na teoria da confirmação bayesiana, 🌟 já que a condicionalização só pode acontecer após uma mudança da probabilidade da afirmação evidencial, o que não é o 🌟 caso.
[6][30] Por exemplo, a observação de certas anomalias na órbita de Mercúrio é evidência para a teoria da relatividade geral.
Mas 🌟 esses dados foram obtidos antes da formulação da teoria, contando assim como evidência antiga.[30]
