Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

Presentation Exposé

4,520 views

Published on

Published in: Business
  • Be the first to comment

  • Be the first to like this

Presentation Exposé

  1. 1. Causalité et probabilité: les modèles statistiques Federica Russo UCL 1 mars 2002
  2. 2. Table des matières <ul><li> Introduction: </li></ul><ul><li>Genres de connaissances: connaissance descriptive versus connaissance explicative. </li></ul><ul><li>Début du debat en 1948 </li></ul><ul><li> Partie expositive: </li></ul><ul><li>Le modèle de relevance statistique (Wesley Salmon) </li></ul><ul><li>L’approche érotétique (Bas van Fraassen) </li></ul><ul><li>Le principe de cause commune reformulé (Elliott Sober) </li></ul><ul><li> Partie critique: </li></ul><ul><li>La valeur épistémologique de l’explication </li></ul><ul><li>Conclusion </li></ul><ul><li> Agenda </li></ul>
  3. 3. Introduction <ul><li>Connaissance </li></ul><ul><li>DESCRIPTIVE </li></ul><ul><li> </li></ul><ul><li>“ Savoir que …” </li></ul><ul><li>Nous demandons une description de l’événement ou du procès </li></ul>versus Connaissance EXPLICATIVE  “ Savoir pourquoi …” Nous demandons la cause de l’événement ou du procès  L’exemple de l’immersion du thermomètre dans l’eau chaude
  4. 4. Introduction <ul><li>Nous nous posons des questions-pourquoi  nos connaissances sont ( why-questions ) incomplètes </li></ul><ul><li> si connaître est connaître les causes (Aristote, Metaphysica A1, A3) </li></ul><ul><li>(l’information explicative qui manque est donnée par une explication causale) </li></ul><ul><li> si le but de la science est (aussi) de nous faire comprendre la nature </li></ul><ul><li> alors il faut une analyse des structures d’explication </li></ul>
  5. 5. <ul><li>Modèle N-D </li></ul><ul><li>nomologique-deductif </li></ul><ul><li>condition de départ C 1 ,…, C n </li></ul><ul><li>lois générales L 1 ,…, L n </li></ul><ul><li>événement à expliquer E </li></ul><ul><li>(inférence deductive de l’explanans à l’explanandum) </li></ul>Introduction  Début du débat : en 1948 Hempel et Oppenheim publient “ Aspects of Scientific Explanation” Modèle I-S statistique-inductif condition de départ C 1 ,…, C n lois générales L 1 ,…, L n événement à expliquer E (inférénce inductive de l’explanas à l’explanandum)
  6. 6. Introduction <ul><li> explicitation du concept de loi de nature </li></ul><ul><li> ambiguïté des explications I-S </li></ul><ul><li> concept inférentiel de l’explication scientifique </li></ul><ul><li> nécessité des lois englobantes ( covering laws ) </li></ul><ul><li> symétrie entre prévision et explication </li></ul><ul><li> rôle de la causalité </li></ul><ul><li> vérité des énoncés de l’explanans </li></ul><ul><li> formalisation des modèles d’explication </li></ul><ul><li> relativisme épistémique </li></ul>Quelques problèmes non-résolus de N-D et I-S :
  7. 7. Le modèle S-R Q: “ Pourquoi Jean, atteint d’une infection aux streptocoques, a-t il été vite guéri?”  Q I : “ Pourquoi X, qui appartient à la classe de référence A, a-t-il aussi la proprieté B?” X = Jean A = classe des personnes atteintes d’une infection aux streptocoques B = guérison rapide R: “ Parce que X a même la proprieté C, et C est pertinent à B étant donné A”  Structure des questiones et des réponses
  8. 8. Le modèle S-R  X  A  quelle est P(B/A)? A est-elle homogène?  A n’est pas homogène  A  C 1  comparaison des probabilités A  C 2 P(B/A  C 1 )  P(B/A  C 2 )  À quelle sous classe X appartient-il?  X  A  C 1  A  C 1 est-elle homogène?  A  C 1 n’est pas homogène  A  C 1  D 1  comparaison des probabilités A  C 1  D 2 P(B/A  C 1  D 1 )  P(B/A  C 1  D 2 )  à quelle sous classe X appartient-il?  X appartient à A  C 1  D 2 donc  R : “ Parce que X appartient à la sous classe A  C 1  D 2  Structure d’explication
  9. 9. L’approche érotétique Q : “ Pourquoi P k ?”  Q = < P k , X, r> Q dépend de K P k = argument, X ={P 1 ,…, , P k ,...} classe antithèse, r = relation de pertinance ! A est pertinent pour Q exactement si A est en relation r avec < P k , X> R : “P k contrairement à X parce que A” R dépend de K <ul><li>Par rapport à R nous affirmons: </li></ul><ul><li>P k est vrai </li></ul><ul><li>les autres membres de X ne sont pas vrais </li></ul><ul><li>A est vrai </li></ul><ul><li>A est une raison de P k </li></ul><ul><li>Par rapport à Q nous supposons: </li></ul><ul><li>P k est vrai </li></ul><ul><li>parmi X seulement P k est vrai </li></ul><ul><li>il existe au moins une proposition A qui est pertinent à Q </li></ul>
  10. 10. L’approche érotétique Comment évaluer R:  nous évaluons “Parce que A” en tant que telle si K implique que A est faux, nous rèfusons “Parce que A”, si non nous considérons la probabilité que K confère à A  nous évaluons “Parce que A” par rapport à P k A rend-elle plus probable P K par rapport aux autres membres de X?  nous évaluons “Parce que A” par rapport aux autres réponses possibles - A est-elle plus probable que d’autres réponses? - A favorise-t-elle P K plus que d’autres réponses? - y-a-t-il d’autres réponses qui rendent A non pertinent à P K ?
  11. 11. Le principe de cause commune PCC  expliquer les corrélations observées frequemment ensemble en postulant une cause commune qui les a produites BIFURCATION CONJONCTIVE C A B A,B,C événements P(A), P(B), P(A  B) P(A  B) = P(A) x P(B) P(A  B) > P(A) x P(B) P(A  B) < P(A) x P(B) P(B)  P(B/A) P(A)  P(A/B) définition d’indépendence statistique définitions de dépendence statistique définitions de relevance statistique entre A e B
  12. 12. Le principe de cause commune P(B/A) > P(B) relevance statistique positive entre A et B et (la relation est symétrique) P(A/B) > P(A) P(A  B) > P(A) x P(B) dépendance statistique entre A et B P(A  B/C) = P(A/C) x P(B/C) conditions d’une cause commune C et qui soit statistiquement relevant pour A et P(A/C) > P(A), P(B/C) > P(B) B à la fois, mais qui rend A et B mutuellement indépendents ! Salmon : cette relevance statistique doit être expliquée en termes des processus causals qui mènent de C à A et de C à B
  13. 13. Le principe de cause commune 1. ASPECT COMPARATIF   Sober reformule PCC : deux caractéristiques principales quand une explication CC est-elle effectivement préférable à une explication CS? C est-elle une cause commune de A et B mais non de D? 2 . ASPECT RELATIF   Comment comparer les différentes explications?  Au moyen d’une inférence bayesienne qui tient compte des probabilités a priori et des vraisemblances
  14. 14. Le principe de cause commune  Comment comparer les explications: P(I/E) = P(E/I) x P(I) / P(E) Théorème de Bayes 1. P(CC/E) = P(E/CC) x P(CC) / P(E) 2. P(CS/E) = P(E/CS) x P(CS) / P(E) 3. P(CC/E) > P(CS/E) ssi P(E/CC) x P(CC) > P(E/CS) x P(CS)  CC et CS ont la même probabilité a priori  choisir sur la base des vraisemblances CC et CS ont la même vraisemblance  choisir sur la base des probabilités a priori
  15. 15. La valeur épistémologique des modèles Suppositions:  modèles d’explication = structures formelles susceptibles d’interpretation  les modèles d’explication utilisent des notions causales  le but de ces modèles d’explication est de fournir une connaissance explicative Thèse: le modèle statistique adopté reflète les opinions que nous avons sur la valeur épistémologique de l’explication
  16. 16. La valeur épistémologique des modèles Utilisation privilegé des explications Expliquer un événement: quelle est sa cause? Justifier le statut ontologique de certaines entités théoriques  Dans quelle mesure un modèle est-il applicable?  Problème de la conformité des modèles à la réalité  PCC et la détermination du nombre d’Avogadro
  17. 17. La valeur épistémologique des modèles CONCEPTION ONTIQUE (Salmon et Sober)  l’explication d’un événement identifie sa cause, elle montre quel est le processus causale  la connaissance explicative tire au clair le mécanisme causal de la nature CONCEPTION ÉROTÉTIQUE (van Fraassen)  l’explication d’un événement est une réponse à une question  le problème de l’explication se résoudre entièrement dans le cadre d’une conception pragmatique. Il n’y a aucune différence entre les connaissances explicatives et descriptives
  18. 18. La valeur épistémologique des modèles Conception ontique Salmon :  le modèle S-R met en évidence les relations causales réellement existantes  PCC, selon le schéma de l’inférence à la meilleure explication, nous permet de justifier nos croyances à propos de l’existence des entités inobservables Sober :  PCC est un principe méthodologique; les principes de parsimonie et de simplicité guident la pratique scientifique Conception érotétique Van Fraassen:  comprendre un événement signifie le situer d’une façon appropriée à l’intérieur du réseau causal, mais ce réseau n’a aucune valeur ontologique.  nos connaissences s’arrêtent au niveau des modèles et de leur conformité empirique
  19. 19. Conclusion Salmon et van Fraassen Où se situe le “parce que”? Salmon: parmi les différents explananda de la partition-explanandum Van Fraassen: parmi les différentes arguments de la classe-antithèse Comment identifie-t-on le bon facteur causal? Le bon facteur causal est celui qui est pertinent  Qu’est-ce que “ pertinent ” ?  Salmon  la pertinence causale  van Fraassen  la pertinence contextuelle
  20. 20. Conclusion Nous pouvons connaitre ce qui est pertinent Salmon: nous pouvons connaître les relations qui font partie du mécanisme causal du monde Van Fraassen: nous pouvons connaître les relations qui font partie de la structure formelle du modèle Nul modèle d’explication n’atteint à son objectif parce que la méthode du raisonnement est fallacieuse
  21. 21. Agenda  Reprendre la problématique à partir d’une question d’ordre gnoséologique.  Développer une forme de réalisme modéré sur les entités qui ensuite soutiennent le réalisme causal.  Une analyse du sens commun, peut-elle nous aider ?  réalisme naïf ?  épistémologie naïve ?  raisonnement contrefactuel ?  Est-il possible de suivre les mêmes traces pour le discours scientifique ?

×