Recientemente me he interesado en el campo de la epistemología, que es la rama de la filosofía que se ocupa de cómo formamos creencias de manera confiable o cómo adquirimos conocimiento. En particular, me ha interesado cómo podemos cuantificar la fuerza de una evidencia en particular, y cómo un caso acumulativo, que involucra muchas líneas de evidencia diferentes, puede modelarse matemáticamente. He llegado a pensar en la evidencia en términos bayesianos y esto, a su vez, ha impactado la forma en que pienso acerca de los argumentos biológicos para el Diseño Inteligente.

¿Qué es el teorema de Bayes?

Nombrado en honor al ministro presbiteriano inglés del siglo XVIII Thomas Bayes, el teorema de Bayes es una herramienta matemática para modelar nuestra evaluación de evidencias para distribuir apropiadamente la confianza en nuestras conclusiones a la fuerza de la evidencia. Expresado en términos matemáticos, pequeñas piezas de evidencia, ninguna pieza por sí sola de gran peso, pueden combinarse para crear un caso acumulativo masivo.

La fuerza de la evidencia para una proposición se mide mejor en términos de la razón de dos probabilidades, P (E | H) y P (E | ~ H), es decir, la probabilidad de la evidencia (E) dado que la hipótesis (H) es verdadera, y la probabilidad de E dado que H es falsa. Esa relación puede ser alta en la parte superior (en cuyo caso E favorece a H), en la parte inferior o ninguna (en cuyo caso E no favorece ninguna hipótesis, y no la llamaríamos evidencia a favor o en contra de H). Tenga en cuenta que la probabilidad de la evidencia dada su hipótesis no necesita ser alta para que los datos cuenten como evidencia a favor de su hipótesis. Más bien, la probabilidad de la evidencia solo necesita ser mayor en la verdad de la hipótesis que en su falsedad.

Para tomar un ejemplo, suponga que P (E1 | H) = 0.2, pero P (E1 | ~ H) = 0.04. Entonces, la relación P (E1 | H) / P (E1 | ~ H) tiene el valor de 5 a 1, o solo 5. Si hay varias pruebas independientes, su poder se acumula exponencialmente. Cinco de esas piezas producirían una proporción acumulativa de 3125 a 1. Si la proporción inicial fuera 2 a 1, diez piezas de evidencia independiente tendrían un poder acumulativo de más de 1000 a 1.

Aplicación al diseño inteligente

¿Cómo podría relacionarse esta forma de abordar la evidencia con el diseño inteligente? En 2004 y 2005, Lydia McGrew (una filósofa analítica ampliamente publicada) y su esposo Timothy McGrew (presidente del departamento de filosofía de la Universidad de Western Michigan) publicaron dos artículos en las revistas Philosophia Christi y Philo, respectivamente. Establecieron cómo se podría formular el caso del diseño inteligente en términos de una inferencia bayesiana (McGrew, 2004; McGrew, 2005). Para los lectores no técnicos, el artículo Philo de Lydia McGrew es el más accesible de los dos.

Mientras que otros enfoques para construir la inferencia de diseño (como la inferencia de Stephen Meyer a la mejor explicación o el filtro explicativo de William Dembski, que funciona mediante la eliminación de la hipótesis nula del azar y la necesidad física) han recibido amplia atención dentro de la comunidad del DI, En mi opinión, es lamentable que las contribuciones de los McGrew rara vez se discutan en la conversación actual, al menos en lo que respecta a las ciencias de la vida. Ciertamente, el enfoque bayesiano de la hipótesis del diseño no ha recibido el mismo nivel de adopción. Sin embargo, creo que el método que proponen para articular el caso del diseño merece una seria consideración.

Cuando se trata del argumento a favor del diseño basado en las ciencias físicas, el enfoque bayesiano es mucho más popular. Luke Barnes (astrofísico teórico, cosmólogo e investigador postdoctoral en la Universidad de Western Sydney), por ejemplo, emplea un enfoque bayesiano a la cuestión del ajuste fino de los parámetros iniciales de nuestro universo (Barnes, 2018). Esto contrasta con la formulación deductiva presentada por William Lane Craig, que toma la siguiente forma:

  • Premisa 1: El ajuste se debe a la necesidad, al azar o al diseño.
  • Premisa 2: El ajuste fino no se debe ni a la necesidad ni al azar.
  • Conclusión: Por lo tanto, el ajuste se debe al diseño.

En contraste, la formulación bayesiana del argumento de ajuste fino se presenta típicamente de la siguiente manera: Nuestro universo muestra un ajuste fino extraordinario. Solo para la constante cosmológica, la variabilidad para que exista vida de cualquier forma parece ser tan baja como 1 en 10120. Si se modificara, aunque sea ligeramente, el universo se expandiría tan rápidamente que solo obtendríamos los dos elementos más ligeros de hidrógeno y helio, o el universo colapsaría sobre sí mismo, debido a la gravedad, dentro de los picosegundos del Big Bang. De cualquier manera, no podría existir vida.

La probabilidad de que mecanismos ciegos y aleatorios produzcan una característica tan precisa y finamente ajustada es increíblemente baja. Sin embargo, un agente inteligente es capaz de pensar en el futuro con voluntad, previsión e intencionalidad para encontrar rápidamente soluciones raras y aisladas para las leyes y constantes físicas que se ajustan a los requisitos de un universo favorable a la vida. Por lo tanto, la probabilidad de que un agente inteligente produzca tal precisión en las leyes físicas y las constantes de nuestro universo es mucho mayor que la probabilidad de que mecanismos ciegos y poco inteligentes hagan lo mismo. Por lo tanto, en vista de la proporción de alto peso de P (E | H) y P (E | ~ H), la observación del ajuste fino cuenta como una fuerte evidencia confirmatoria a favor de la hipótesis del diseño inteligente cósmico.

¿Cómo podemos aplicar este principio al caso del diseño biológico? Responderé esa pregunta luego.

Artículo publicado originalmente en inglés por Jonathan McLatchie en Evolution News & Science Today