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 melhores jogos de ganhar dinheiro 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 melhores jogos de ganhar dinheiro metodologia, melhores jogos de ganhar dinheiro 👄 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 melhores jogos de ganhar dinheiro 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 melhores jogos de ganhar dinheiro 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, melhores jogos de ganhar dinheiro 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 melhores jogos de ganhar dinheiro negação.
[17] As leis da probabilidade sustentam que estes 👄 dois graus de crença juntos devem somar 1, já que ou a proposição ou melhores jogos de ganhar dinheiro 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 melhores jogos de ganhar dinheiro 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 melhores jogos de ganhar dinheiro 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]
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 melhores jogos de ganhar dinheiro 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 melhores jogos de ganhar dinheiro metodologia, melhores jogos de ganhar dinheiro 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 melhores jogos de ganhar dinheiro 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 melhores jogos de ganhar dinheiro 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, melhores jogos de ganhar dinheiro 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 melhores jogos de ganhar dinheiro negação.
[17] As leis da probabilidade sustentam que estes dois graus de crença juntos devem somar 👄 1, já que ou a proposição ou melhores jogos de ganhar dinheiro 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 melhores jogos de ganhar dinheiro 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 melhores jogos de ganhar dinheiro 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]