Recientemente me ha interesado el campo de la epistemología, que es la rama de la filosofía que estudia cómo formamos creencias de manera fiable o cómo adquirimos conocimiento. En particular, me ha interesado cómo podemos cuantificar la solidez de una determinada prueba y cómo se puede modelar matemáticamente un caso acumulativo, que involucra muchas líneas de prueba diferentes. He llegado a pensar en la prueba en términos bayesianos y esto, a su vez, ha influido en la forma en que pienso sobre los argumentos biológicos a favor del diseño inteligente.

¿Qué es el teorema de Bayes?

El teorema de Bayes, que debe su nombre al ministro presbiteriano inglés del siglo XVIII Thomas Bayes, es una herramienta matemática que sirve para modelar nuestra evaluación de las evidencias y así asignar adecuadamente la confianza en nuestras conclusiones a la solidez 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 solidez de la evidencia de 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 razón puede ser muy alta (en cuyo caso E favorece a H), muy baja, o ninguna de las dos (en cuyo caso E no favorece a ninguna de las hipótesis, y no lo 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 cuanto a la verdad de la hipótesis que en cuanto a su falsedad.

Para tomar un ejemplo, supongamos que P(E1|H) = 0,2, pero P(E1|~H) = 0,04. Entonces, la razón P(E1|H)/P(E1|~H) tiene el valor de 5 a 1, o simplemente 5. Si hay múltiples elementos de evidencia independientes, su poder se acumula exponencialmente. Cinco de esos elementos darían una razón acumulada de 3125 a 1. Si la razón inicial fuera de 2 a 1, diez elementos de evidencia independientes tendrían una potencia acumulada de más de 1000 a 1.

Aplicando la idea 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 con muchos trabajos publicados) y su marido Timothy McGrew (director del departamento de filosofía de la Western Michigan University) publicaron dos artículos en las revistas Philosophia Christi y Philo, respectivamente. En ellos, expusieron cómo podría formularse la defensa del diseño inteligente en términos de una inferencia bayesiana (McGrew, 2004; McGrew, 2005). Para los lectores no técnicos, el artículo de Lydia McGrew en Philo es el más accesible de los dos.

Aunque 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 de azar y necesidad física) han recibido una amplia atención dentro de la comunidad del DI, es, en mi opinión, 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 a la hipótesis de diseño no ha recibido ni de lejos el mismo nivel de adopción. Creo, sin embargo, 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, un enfoque bayesiano es mucho más popular. Luke Barnes (astrofísico teórico, cosmólogo e investigador postdoctoral en la Western Sydney University), por ejemplo, emplea un enfoque bayesiano para 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 adopta la siguiente forma:

  • Premisa 1: El ajuste fino 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 fino se debe al diseño.

En cambio, la formulación bayesiana del argumento del ajuste fino suele presentarse de la siguiente manera: nuestro universo muestra un extraordinario ajuste fino. Tan 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 fuera un poco, o bien el universo se expandiría tan rápidamente que solo obtendríamos los dos elementos más ligeros, hidrógeno y helio, o bien el universo colapsaría sobre sí mismo, debido a la gravedad, en picosegundos del Big Bang. En cualquier caso, no podría existir la vida.

La probabilidad de que mecanismos ciegos y no inteligentes aleatorios produzcan una característica tan precisa y finamente ajustada es increíblemente baja. Sin embargo, un agente inteligente es capaz de pensar con voluntad, previsión e intencionalidad para encontrar rápidamente soluciones raras y aisladas para las leyes y constantes físicas que se ajustan al requisito de un universo propicio para la vida. Por lo tanto, la probabilidad de que un agente inteligente produzca tal precisión en las leyes y constantes físicas de nuestro universo es mucho mayor que la probabilidad de que mecanismos ciegos y no inteligentes hagan lo mismo. Por lo tanto, en vista de la relación de pesos máximos entre P(E|H) y P(E|~H), la observación del ajuste fino cuenta como una evidencia confirmatoria sólida a favor de la hipótesis del diseño inteligente cósmico.

¿Cómo podemos aplicar este principio al caso del diseño biológico? Responderé a esa pregunta en otro artículo.

Artículo publicado originalmente por Jonathan McLatchie Ph.D. en Evolution News & Science Today