Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Pierdaniele Giaretta
1.
2.
3.
S
H fornisce una predizione deduttiva di E
E
===============================
H
INFERENZA ABDUTTIVA
(conferma di ipotesi esplicativa-deduttiva)
1.
2.
S
H fornisce una spiegazione deduttiva di E
================================
H
I METODI DI MILL
C2 condizione__di F
Ma
C2 INDUTTIVAMENTE sostenuta dai dati considerati che non
l hanno smentita e hanno portato a eliminare le altre ipotesi.
C2 condizione__di F
INFERENZE INDUTTIVE
Consideriamo le inferenze, spesso dette induttive , nelle quali
le premesse confermano un ipotesi.
La caratteristica fondamentale delle inferenze induttive e di
quelle statistiche (che talora sono assimilate a quelle induttive)
che in queste inferenze le premesse, se vere e
riconosciute come vere, forniscono un certo supporto per
la verit della conclusione senza tuttavia garantirla (tranne
che in certi casi particolari).
Probabilit induttiva
La probabilit di una conclusione, dato un insieme di
premesse, viene chiamata probabilit induttiva.
La probabilit di solito misurata in una scala che ha
come estremi lo 0 e l 1.
Quando la probabilit alta (vicina a 1, ma quanto vicina
oggetto di convenzione) cio quando molto probabile
che la conclusione sia vera sotto la condizione che le
sue premesse siano vere si dice che l inferenza
forte o che induttivamente forte.
Formalmente:
x1...xn appartengono alla classe P e hanno la propriet Q
xn+1 appartiene a P
===========================================
Allora xn+1 ha la propriet Q
Generalizzazioni induttive
L induzione pu avere una conclusione generale:
Il Milan ha vinto 15 delle 20 partite giocate finora in questa
stagione
================================================
Alla fine della stagione il Milan avr vinto (circa) 3/4 delle partite
La forma di questa inferenza la seguente:
n % degli F finora osservati sono G
===========================
(Circa) n % di tutti gli F sono G
Sillogismo statistico
Esempio:
Il 98% delle matricole universitarie ha capacit di lettura superiori a quelle
che si hanno in prima media
Sandra una matricola universitaria
==========================================================
Sandra ha capacit di lettura superiori a quelle che si hanno in prima media
La predizione/spiegazione induttivo-statistica
(Hempel e Oppenheim, Studies in the Logic of Explanation, 1948)
Problema
Cosa, in generale, contraddistingue la spiegazione induttivostatistica dal sillogismo statistico da un punto di vista pi
strettamente logico?
Gianni, a differenza di Sandra (vedi l esempio dato di
sillogismo statistico), un individuo nuovo rispetto a quelli
dai quali, usando qualche metodo statistico, stata
ricavata la percentuale che compare nella prima premessa.
Se nella conclusione
invece di F si prende in considerazione un insieme F'
di individui simili agli F in un modo che rilevante per
quanto attiene al possesso della propriet G
e
si afferma
(Circa) l n % di tutti gli F' G
si fa una generalizzazione induttiva in senso
humeano, che cio presuppone l uniformit della
natura, poich si assume che quanto rilevato per gli
F continui a valere per gli individui simili F'.
Probabilit
e
inferenze induttive
(brevi cenni introduttivi)
Probabilit condizionale
la probabilit che un evento si verifichi dato il
verificarsi di un altro evento: la probabilit che si
verifichi p dato che si verifichi q.
1 esempio: la probabilit di avere un asso come seconda carta
sotto la condizione che la prima carta pescata sia una Regina.
La probabilit di 4/51: se la regina la prima carta pescata,
rimangono 51 carte, tra le quali gli assi sono 4.
2 esempio: la probabilit che nel lancio di un dado esca 2 dato
che esca un numero pari. La probabilit 1/3: le possibili uscite
di numeri pari sono 3 e quella di 2 una di queste.
Assumiamo che non ci siano ragioni per pensare che Gianni sia
un individuo dissimile da quelli rispetto ai quali sono state
calcolate le probabilit riguardanti la malattia M. Possiamo
allora riformulare l inferenza usando la probabilit
condizionale:
Problemi
1. La probabilit della malattia data l esito positivo al test
(prima premessa) pu non essere nota. Tuttavia se si
conoscono alcuni dati essa pu essere calcolata
mediante il teorema di Bayes.
2. Quanto probabile che Gianni abbia la malattia M dopo
aver accertato che positivo al test T?
3. Cosa si pu dire, e fare, se le premesse non sono
certe?
Il problema 3 segnalato ma nel seguito non verr trattato
Problema 1
Supponiamo che si conosca quanto la malattia diffusa
nella popolazione di riferimento e quanto frequente sia
l esito positivo tra i malati. La probabilit (inversa) della
malattia dato l esito positivo al test
pu essere
calcolata mediante il teorema di Bayes.
un dato di fatto rilevante che l intuizione che si pu avere
riguardo alla probabilit della malattia dato l esito positivo
al test pu divergere molto dal calcolo fatto mediante il
teorema di Bayes.
Teorema di Bayes
P(B) P(A/B)
P(B/A) = ---------------------------------------------[P(B) P(A/B)] + [P(B) P(A/B)]
P(B) e P(B) sono dette probabilit a priori (o
iniziali). Il teorema indica un modo in cui tali
probabilit a priori, se conosciute, possono essere
usate per calcolare la probabilit condizionale P(B/
A), spesso chiamata probabilit a posteriori.
GRAFICAMENTE
10000
maschi
1
con HIV
1
positivo
0
negativi
9.999
senza HIV
1
positivo
9.998
negativi
Problema 2
Torniamo all inferenza:
P(Gianni ha M / Gianni positivo) = r
Gianni positivo al test.
============================================== [r]
Gianni ha la malattia M.
r considerata da Hempel la probabilit della verit della
conclusione data la verit delle premesse. Ma, supponendo
che le premesse siano certe,
qual la probabilit che Gianni abbia la malattia M?
Pf(H) = Pi(H/E)
Pf(H) viene chiamata la probabilit a posteriori di H e
contrapposta a Pi(H), la probabilit iniziale (a priori) di H.
Alcune precisazioni