Fisher o Bayes? Le due letture della complessità specificata

Percorso: Matematica del Design
Modulo 5

Prerequisiti:
Modulo 4 – Il filtro esplicativo
Guida alla lettura
Disclaimer

Introduzione: due scuole statistiche e un solo strumento

La statistica del Novecento non ha un solo canone di razionalità: ne ha almeno due, e i loro sostenitori si sono spesso trattati da avversari. La prima scuola, che risale a Ronald Fisher, elimina un’ipotesi quando i dati osservati risultano troppo improbabili sotto quell’ipotesi. La seconda, che risale a Thomas Bayes e Pierre-Simon Laplace, confronta ipotesi rivali e aggiorna il grado di fiducia in ciascuna alla luce dei dati. Per un fisheriano, un’ipotesi può essere respinta da sola, senza che nessuno abbia proposto un’alternativa; per un bayesiano, l’idea stessa di evidenza «contro» un’ipotesi ha senso solo in rapporto a un’altra ipotesi che spieghi meglio i dati.

La distinzione è tutt’altro che accademica per il nostro percorso. Il filtro esplicativo ricostruito nel modulo 4 è, nella sua forma originaria, un argomento di tipo fisheriano: identifica un’ipotesi di caso, costruisce una regione di rifiuto indotta da una specificazione, ne calcola la probabilità tenendo conto delle risorse probabilistiche, e respinge il caso quando quella probabilità scende sotto un limite. Di conseguenza, la critica più influente mossa alla complessità specificata negli ultimi venticinque anni, formulata soprattutto da Elliott Sober e dai suoi collaboratori, non contesta un calcolo in particolare: contesta il quadro inferenziale nel suo insieme, sostenendo che l’unico modo corretto di ragionare sul disegno è quello comparativo, bayesiano o verosimilista, e che in quel quadro la complessità specificata non ha alcun ruolo.

Questo modulo fa tre cose. Primo, spiega da zero, con la matematica necessaria e senza presupporre corsi di statistica, che cosa dicono il teorema di Bayes e il test di significatività fisheriano. Secondo, ricostruisce la tesi centrale del capitolo 6 della seconda edizione di The Design Inference (Dembski ed Ewert, 2023): che la metrica della complessità specificata, definita come differenza tra improbabilità e lunghezza di descrizione, può essere letta sia come statistica di test fisheriana con un valore p esplicito, sia come fattore di Bayes, e che nei due casi conduce alle stesse conclusioni numeriche. Terzo, esamina le obiezioni, a partire dalla più forte: quella secondo cui una lettura bayesiana del disegno richiede di sapere quanto è probabile l’evento sotto l’ipotesi di progetto, e nessuno sa dirlo.

Una precisazione di metodo: su questo sito il disegno intelligente è presentato come deduzione logica e filosofica a partire da dati empirici, non come teoria scientifica già consolidata (si veda la Guida alla lettura). In questo modulo l’inferenza al progetto compare solo nella sezione 6, dove viene esplicitamente marcata come tale; tutto il resto riguarda l’argomento negativo, cioè l’eliminazione delle ipotesi di caso.

1. Probabilità condizionata e teorema di Bayes

Partiamo dalla definizione più elementare. Dati due eventi E ed F, la probabilità condizionata di F dato E è, per definizione, P(F|E) = P(F & E) / P(E): la probabilità che F ed E si verifichino insieme, rapportata alla probabilità di E. Intuitivamente, si restringe lo spazio delle possibilità a quelle in cui E è vero, e ci si chiede quale frazione di quello spazio ristretto contenga anche F.

Il teorema di Bayes non è altro che questa definizione applicata due volte. Poiché P(F & E) = P(E|F) · P(F), sostituendo al numeratore si ottiene la forma semplice:

P(F|E) = P(E|F) · P(F) / P(E).

Tutto qui. Il teorema, che porta il nome del pastore presbiteriano Thomas Bayes (il saggio fu pubblicato postumo nel 1763) e fu sviluppato in forma generale da Laplace, è una conseguenza immediata degli assiomi della probabilità. La sua importanza non sta nella dimostrazione, che è di una riga, ma nell’interpretazione. Se pensiamo a E come a un’evidenza osservata e a F come a un’ipotesi, la formula dice come la fiducia in F debba cambiare dopo aver osservato E. I quattro termini hanno nomi tecnici che useremo per tutto il modulo:

• P(F) è la probabilità a priori (o prior): quanto crediamo in F prima di osservare E;
• P(E|F) è la verosimiglianza (likelihood): quanto è probabile osservare E se F è vera;
• P(E) è la probabilità complessiva dell’evidenza, calcolata su tutte le ipotesi possibili;
• P(F|E) è la probabilità a posteriori: quanto crediamo in F dopo aver osservato E.

Il rapporto P(E|F)/P(E) è il moltiplicatore che trasforma il prior in posterior. Se l’evidenza è più probabile sotto F di quanto lo sia in generale, il rapporto è maggiore di 1 e la fiducia in F cresce; se è meno probabile, la fiducia cala.

La forma standard e l’esempio delle due urne

Il denominatore P(E) è di solito il termine più scomodo. Se le ipotesi possibili sono F₁, F₂, …, F_n, mutuamente esclusive ed esaustive (una e una sola deve essere vera), la legge della probabilità totale dà P(E) = P(E|F₁)·P(F₁) + … + P(E|F_n)·P(F_n), e sostituendo si ottiene la forma standard del teorema che compare nei manuali. L’Appendice A della seconda edizione di The Design Inference illustra il meccanismo con un esempio classico, che riportiamo perché tornerà nella critica di Sober.

Ci sono due urne. L’urna 1 contiene nove palline bianche e una nera; l’urna 2 contiene una bianca e nove nere. Un’urna viene scelta a caso (probabilità ½ ciascuna), e da essa si estraggono con reinserimento dieci palline: tutte bianche. Qual è la probabilità che sia stata scelta l’urna 1? Le verosimiglianze sono P(E|F₁) = 0,9¹⁰ ≈ 0,349 e P(E|F₂) = 0,1¹⁰ = 10⁻¹⁰. Applicando la formula:

P(F₁|E) = (0,349 · 0,5) / (0,349 · 0,5 + 10⁻¹⁰ · 0,5) ≈ 0,9999999997.

La posterior dell’urna 2 è dunque circa 3 · 10⁻¹⁰. Si noti che cosa è successo: le due ipotesi partivano alla pari, e l’evidenza le ha separate di quasi dieci ordini di grandezza. Ma si noti anche che cosa non è successo: l’urna 2 non è stata «respinta». Ha semplicemente ricevuto una probabilità piccolissima rispetto all’urna 1. Se l’urna 1 non fosse stata nel novero delle ipotesi, il bayesiano non avrebbe avuto niente con cui confrontarla.

La forma in rapporti: il fattore di Bayes

Quando le ipotesi in gioco sono due, H₁ e H₂, conviene dividere membro a membro le due istanze del teorema. Il denominatore P(E) si semplifica e si ottiene:

P(H₁|E) / P(H₂|E) = [P(E|H₁) / P(E|H₂)] · [P(H₁) / P(H₂)].

A parole: il rapporto delle posterior è il rapporto delle verosimiglianze moltiplicato per il rapporto dei prior. Il primo fattore a destra è il rapporto di verosimiglianza, detto anche fattore di Bayes; misura la forza con cui l’evidenza E discrimina fra le due ipotesi, indipendentemente da quanto ci credevamo prima. Il secondo fattore incorpora le nostre convinzioni iniziali. Spesso si prende il logaritmo: il log-fattore di Bayes log₂[P(E|H₁)/P(E|H₂)] si misura in bit e si somma, anziché moltiplicarsi, quando si accumulano evidenze indipendenti. Questa forma è quella che ci servirà nelle sezioni 5 e 6.

Una versione ridotta dell’approccio bayesiano, associata in filosofia della scienza al nome di Richard Royall e adottata da Sober, prescinde dai prior e considera evidenza per H₁ contro H₂ qualsiasi E per cui il rapporto di verosimiglianza è maggiore di 1. È il cosiddetto verosimilismo (likelihoodism). Anche in questa forma, l’evidenza resta un concetto intrinsecamente comparativo: un dato non testimonia mai contro un’ipotesi in sé, ma solo a favore di una rivale.

2. Il test di significatività di Fisher

Ronald Fisher, nel Design of Experiments del 1935, propose una logica diversa, che è ancora oggi quella più usata nella letteratura scientifica applicata e la prima insegnata nei corsi introduttivi. Lo schema è il seguente. Si formula un’ipotesi nulla H, che nel nostro contesto è sempre un’ipotesi di caso: la moneta è equa, il farmaco non ha effetto, la disposizione delle schede elettorali è stata estratta a sorte. Si stabilisce, prima di raccogliere i dati, una regione di rifiuto T: un insieme di esiti possibili tale che, se il campione osservato vi cade, H viene respinta. Si calcola la probabilità di T sotto H, cioè P(T|H). Se questa probabilità è inferiore a un livello di significatività α fissato in anticipo (0,05, 0,01, o valori più piccoli), e se il campione cade effettivamente in T, l’ipotesi nulla viene rifiutata.

La probabilità P(T|H), calcolata sulla regione di rifiuto in cui è caduto il campione, è ciò che nella pratica si chiama valore p. È fondamentale capire che cosa il valore p non è: non è la probabilità che H sia vera dati i dati (quella sarebbe una posterior bayesiana), e non è la probabilità del singolo esito osservato. È la probabilità, sotto l’ipotesi nulla, di un intero insieme di esiti «almeno altrettanto estremi» di quello osservato, secondo un criterio di estremità deciso a priori. Il modulo 2 ha spiegato come le specificazioni inducano proprio insiemi di questo tipo; il modulo 4 ha mostrato che il tribunale del New Jersey nel caso Caputo ragionò esattamente così, contando i modi in cui 40 o più democratici su 41 potevano finire in prima posizione.

Due caratteristiche del test fisheriano vanno messe in evidenza, perché sono quelle che i bayesiani contestano. La prima: non richiede alcuna ipotesi alternativa. Fisher respinge H senza dover dire che cosa sia vero al suo posto. La seconda: la regione di rifiuto deve essere fissata prima di guardare i dati. Se la si costruisce dopo, attorno all’esito osservato, qualsiasi esito diventa «improbabile» e il test perde ogni valore; è il problema che nel modulo 2 abbiamo chiamato della prespecificazione, e che la lunghezza di descrizione minima risolve consentendo di riconoscere specificazioni legittime anche a posteriori.

Il problema del livello di significatività

Fisher lasciò una domanda senza risposta: quanto deve essere piccola una probabilità perché il rifiuto sia giustificato? I livelli 0,05 e 0,01 sono convenzioni, non teoremi. I probabilisti bayesiani Colin Howson e Peter Urbach, nel loro Scientific Reasoning: The Bayesian Approach, hanno accusato per questo l’intero approccio di mancare di «un fondamento razionale». Va concesso che l’accusa coglie un punto reale: nella formulazione originaria, qualsiasi soglia sembra arbitraria, e Fisher non spiegò mai perché il fatto che un campione cada in una regione di piccola probabilità dovrebbe contare come evidenza contro l’ipotesi nulla piuttosto che come semplice sfortuna.

Gli approcci comparativi (bayesiano e di Neyman-Pearson, che introduce un’ipotesi alternativa e ragiona sui tassi di errore di prima e seconda specie) nascono in gran parte come risposta a questo vuoto. Eppure, come osserva la seconda edizione di The Design Inference, persino Richard Royall, teorico del verosimilismo e quindi avversario di Fisher, ammette che il test di ipotesi «così com’è più comunemente usato nell’analisi e nella comunicazione dei risultati scientifici» non procede scegliendo tra ipotesi specificate, ma segue proprio la procedura fisheriana. Questo suggerisce che l’approccio di Fisher non sia irrimediabilmente rotto, ma che vada completato.

Il percorso che avete seguito fin qui è esattamente questo completamento. Il modulo 3 ha risposto alla domanda «quanto piccola?» legando il livello di significatività alle risorse probabilistiche: una probabilità è «abbastanza piccola» quando resta piccola anche dopo aver moltiplicato per tutte le opportunità che l’evento aveva di verificarsi, e il limite universale di 10⁻¹⁵⁰ (500 bit) è il caso estremo in cui si contano tutte le opportunità dell’universo osservabile. Il modulo 2 ha risposto alla domanda «quali regioni di rifiuto?» mediante la specificazione. Il modulo 4 ha risposto alla domanda «perché un campione nella regione di rifiuto è evidenza contro H?» con la forma deduttiva dell’argomento e con il modus tollens probabilistico, su cui torneremo nella sezione 7. In questo senso l’inferenza al disegno non è un’alternativa a Fisher: è Fisher con i tre buchi tappati.

3. Eliminazione contro confronto: la storia di una disputa

Nel 2004, in The Design Revolution, Dembski dedicava un intero capitolo a «Design by elimination versus design by comparison» e prendeva una posizione netta: l’approccio bayesiano è «parassita» di quello fisheriano, perché può giudicare correttamente solo fra le ipotesi che il filtro non è riuscito a eliminare, e perché non offre alcuna indicazione su come si arrivi agli eventi compositi (le regioni di rifiuto, appunto) su cui poi si calcolano le verosimiglianze. La critica al bayesianesimo era articolata in quattro punti che vale la pena riportare, perché sono ancora gli argomenti standard nella letteratura.

Primo: i prior sono spesso ingiustificabili. Nell’esempio delle urne il prior di ½ è dato dal meccanismo di scelta; ma qual è la probabilità a priori che un sistema biologico sia progettato? Un teista la porrà alta, un ateo bassa, e il teorema di Bayes non ha nulla da dire su chi abbia ragione. Secondo: le ipotesi di progetto devono conferire probabilità agli eventi, e per un’innovazione creativa non è chiaro che lo facciano. Qual è la probabilità che Rachmaninov componesse proprio la Rapsodia su un tema di Paganini? La quantità P(E|D) rischia di essere un segnaposto per l’ignoranza, che conferisce un’aria di rigore matematico a un giudizio soggettivo. Terzo, e legato al secondo: i bayesiani ragionano abitualmente con P(E|D) senza mai assegnarle un numero. Quarto: l’evidenza comparativa non permette di eliminare il caso in sé. L’esempio dei folletti è istruttivo: se sento nel solaio un ticchettio di passi e un rumore di birilli, l’ipotesi «i folletti giocano a bowling» conferisce a quei suoni una verosimiglianza altissima, molto più alta di qualsiasi ipotesi di caso; eppure la mia sfiducia nei folletti resta totale, perché il mio prior per la loro esistenza è zero. Il rapporto di verosimiglianza, da solo, non è evidenza.

Nel 2023 il tono cambia. L’Appendice A della seconda edizione si chiude con una frase che è quasi una rettifica: «Niente di ciò che è stato scritto in questo capitolo deve essere preso come un attacco ai metodi bayesiani o ad altri approcci comparativi alle inferenze statistiche. In particolare, le inferenze progettuali possono essere valutate in termini bayesiani o di altro tipo.» La condizione posta è una sola: quando lo sono, «devono incorporare una piccola probabilità e una specificazione». La tesi non è più che il bayesiano sbagli, ma che il bayesiano, se fa bene i conti, ritrovi la complessità specificata dentro il proprio formalismo. Il resto di questo modulo è la dimostrazione di questa affermazione.

Perché il cambiamento? La ragione tecnica sta nella nuova definizione della metrica. Nella prima edizione la complessità specificata era una congiunzione di due condizioni separate (l’evento è specificato e ha piccola probabilità); nella seconda, come il modulo 2 ha anticipato, diventa una singola quantità:

SC(E|H) = I(E|H) − D(E) = −log₂ P(E|H) − D(E),

dove I(E|H) è l’improbabilità dell’evento sotto l’ipotesi di caso H espressa in bit, e D(E) è la lunghezza in bit della descrizione più breve dell’evento nel linguaggio adottato. Una singola statistica numerica ha una proprietà che una congiunzione di condizioni non ha: la si può inserire come termine in formule diverse, e vedere che cosa ne esce. Nel quadro fisheriano ne esce un valore p; nel quadro bayesiano ne esce un fattore di Bayes.

4. La lettura fisheriana: la complessità specificata come statistica di test

Consideriamo un’ipotesi di caso H e fissiamo, prima di osservare, un limite di complessità specificata α espresso in bit. La regione di rifiuto indotta è l’insieme R_α di tutti gli eventi E tali che SC(E|H) ≥ α. Un test fisheriano è ben definito se sappiamo calcolare la probabilità di questa regione sotto H, cioè il valore p. La domanda è quindi: quanto vale P(R_α|H)?

Riscriviamo la condizione SC(E|H) ≥ α. Sostituendo la definizione, −log₂ P(E|H) − D(E) ≥ α, cioè P(E|H) ≤ 2^{−α − D(E)}. Gli eventi che stanno nella regione di rifiuto sono dunque quelli la cui probabilità è al più 2^−α · 2^−D(E). Non sono in generale mutuamente esclusivi, ma la probabilità della loro unione è comunque limitata dalla somma delle loro probabilità:

P(R_α|H) ≤ Σ_{E ∈ Rα} P(E|H) ≤ Σ_E 2^−α · 2^−D(E) = 2^−α · Σ_E 2^−D(E).

A questo punto interviene un risultato classico della teoria dei codici, la disuguaglianza di Kraft: se le descrizioni sono codificate in un codice binario privo di prefissi (nessuna descrizione valida è l’inizio di un’altra, condizione necessaria perché le descrizioni siano decodificabili senza separatori), allora la somma di 2^{−(lunghezza)} su tutte le descrizioni non supera 1. Il modulo 6 tornerà su questo punto. Qui basta la conseguenza: Σ_E 2^−D(E) ≤ 1, e quindi

P(R_α|H) ≤ 2^−α.

Il valore p di α bit di complessità specificata è al massimo 2^−α. Questo è il teorema centrale della lettura fisheriana. Cinquecento bit di complessità specificata corrispondono a un valore p non superiore a 2⁻⁵⁰⁰ ≈ 3 · 10⁻¹⁵¹, sotto il limite universale del modulo 3. La formula ha un’eleganza che non va sottovalutata: non dipende dalla struttura della regione di rifiuto. Comunque siano fatti gli eventi che vi rientrano, e quale che sia il linguaggio di descrizione (purché codificato senza prefissi), la probabilità totale di ottenere per caso α bit di complessità specificata è limitata da 2^−α. Gli autori sottolineano che questa caratterizzazione è logicamente equivalente a quella delle sezioni sulle regioni di rifiuto indotte dalle specificazioni (modulo 2), con la sola differenza che qui si usa l’idioma della teoria dell’informazione anziché quello direttamente probabilistico.

L’immunità al p-hacking

C’è un beneficio collaterale che merita una sottosezione, perché tocca un problema reale della scienza contemporanea. Il p-hacking consiste nell’eseguire molti test statistici e riferire solo quello che ha dato il risultato desiderato, nascondendo gli altri nel «cassetto» (da cui il nome dell’effetto speculare, il file drawer effect). Ogni test ha una certa probabilità di falso positivo; eseguirne molti e riportarne uno equivale a costruire la regione di rifiuto dopo aver visto i dati. Con un cassetto abbastanza grande, qualsiasi evento può essere fatto apparire come prodotto del caso, o, all’inverso, qualsiasi ipotesi nulla può essere fatta apparire respinta.

La metrica SC è strutturalmente resistente a questa pratica, per due ragioni. La prima è che il termine D(E) penalizza automaticamente le descrizioni costruite ad hoc: una regione di rifiuto ritagliata attorno all’esito osservato ha una descrizione lunga quanto l’esito stesso, e quindi complessità specificata prossima a zero. La seconda è che il limite 2^−α è già una somma su tutte le descrizioni possibili: tutti i test che avremmo potuto fare, cioè tutte le specificazioni che avremmo potuto scegliere, sono già conteggiati nella disuguaglianza di Kraft. Le risorse probabilistiche del modulo 3 restano necessarie per contare le opportunità che l’evento aveva di verificarsi (repliche, tentativi, posizioni), ma la scelta della specificazione non offre più un margine di manovra. L’unico modo di fare p-hacking con SC è variare α dopo i fatti, ed è per questo che il limite va fissato prima.

5. La prima lettura bayesiana: il rasoio di Occam come prior

Passiamo ora al quadro comparativo. Vogliamo verificare l’ipotesi di caso H con il teorema di Bayes nella forma P(H|E) = P(H) · P(E|H)/P(E). Il moltiplicatore P(E|H)/P(E) dice come l’evento osservato dovrebbe modificare la nostra fiducia in H: se è molto minore di 1, E è evidenza contro H.

L’intuizione ingenua dice: se P(E|H) è piccola, il moltiplicatore è piccolo, dunque E conta contro H. Ma questa intuizione è sbagliata, ed è esattamente il punto su cui i bayesiani hanno sempre insistito. Se l’evento E è improbabile sotto tutte le ipotesi rilevanti, allora anche P(E) è piccola, il rapporto P(E|H)/P(E) è vicino a 1, e l’improbabilità di E sotto H non testimonia contro H. Ogni sequenza specifica di 100 lanci di moneta ha probabilità 2⁻¹⁰⁰ sotto l’ipotesi della moneta equa; osservarne una non è evidenza contro la moneta equa, perché nessun’altra ipotesi ragionevole la rende più probabile. Il modulo 1 ha già incontrato questo argomento nella forma «tutte le sequenze sono ugualmente improbabili»; qui lo vediamo nella sua veste formale.

Il problema, per il bayesiano, è dunque stimare P(E), la probabilità complessiva dell’evento. La legge della probabilità totale la scrive come somma su tutte le ipotesi possibili, ma questa somma è impraticabile: non sappiamo elencare tutte le ipotesi. Si può però ottenere un limite inferiore. Si consideri un’ipotesi alternativa A che garantisce l’evento, P(E|A) = 1. Allora P(E) ≥ P(E|A) · P(A) = P(A): la probabilità complessiva di E è almeno il prior dell’ipotesi che lo spiega meglio. Resta da dire quanto vale P(A), e qui i bayesiani discordano fra loro.

Prior dalle lunghezze di descrizione

Un criterio classico per assegnare prior è il rasoio di Occam: a parità di potere esplicativo, le ipotesi più semplici meritano più fiducia. E un modo naturale di quantificare la semplicità è la lunghezza di descrizione. È la strada aperta da Ray Solomonoff negli anni Sessanta con la teoria dell’inferenza induttiva, in cui il prior di un’ipotesi è proporzionale a 2 elevato a meno la lunghezza del programma più breve che la genera. Dembski ed Ewert adottano lo stesso principio, con il linguaggio di descrizione degli eventi al posto dei programmi: definiscono una distribuzione a priori sulle ipotesi alternative tale che l’ipotesi «l’evento E si verifica per un motivo che lo rende certo» abbia prior di almeno 2^−D(E). Ne segue:

P(E) ≥ 2^−D(E),

cioè un evento con descrizione breve ha probabilità complessiva non troppo piccola: se qualcosa si può descrivere in poche parole, ci aspettiamo che esista una spiegazione parsimoniosa che lo produce. A questo punto il moltiplicatore bayesiano è limitato dall’alto:

P(E|H) / P(E) ≤ P(E|H) / 2^−D(E) = 2^{log₂ P(E|H) + D(E)}.

Prendendo il logaritmo negativo in base 2 di entrambi i membri:

−log₂[P(E|H)/P(E)] ≥ −log₂ P(E|H) − D(E) = SC(E|H).

Cioè: il moltiplicatore bayesiano per l’ipotesi di caso è al più 2^−SC(E|H). Se un evento ha 500 bit di complessità specificata, la fiducia in qualsiasi ipotesi di caso che lo renda così improbabile deve essere divisa per almeno 2⁵⁰⁰. Il numero è lo stesso della lettura fisheriana, ma il significato è diverso: là era un valore p, la probabilità di cadere nella regione di rifiuto; qui è il fattore di aggiornamento di una credenza. La complessità specificata risulta così, nelle parole degli autori, «evidenza bayesiana per rifiutare l’ipotesi del caso».

Un bayesiano potrebbe replicare che il prior scelto non è quello giusto. Ma, osservano gli autori, qualsiasi prior che esemplifichi la parsimonia dipenderà da una scelta di linguaggio e da lunghezze di descrizione; e la sezione 6.4 del libro, richiamata nel modulo 2, ha argomentato che linguaggi naturali diversi assegnano lunghezze approssimativamente commensurabili. Se il bayesiano vuole bloccare il ragionamento, deve obiettare al linguaggio di descrizione, non alla logica. Va concesso che questo sposta la discussione, non la chiude: torneremo sul punto nelle obiezioni.

6. La seconda lettura bayesiana: l’agente generico

C’è un secondo modo di far entrare la complessità specificata nel quadro bayesiano, che evita la scomoda P(E) usando la forma in rapporti della sezione 1. Si confrontano due ipotesi: quella di caso H e quella di un agente generico A. Il fattore di Bayes è P(E|A)/P(E|H), e il suo logaritmo in base 2 è log₂ P(E|A) − log₂ P(E|H). Il vantaggio è che non serve più la probabilità totale dell’evento; lo svantaggio è che il confronto dice solo quale delle due ipotesi è favorita, e potrebbe trascurarne una terza più importante.

Il passo decisivo, e il più discutibile, è la modellizzazione dell’agente. Si assume che un agente operi con un linguaggio, che presti attenzione preferenzialmente alle descrizioni brevi, e che produca eventi scegliendo una descrizione e poi realizzandola. Coerentemente con il teorema di codifica di Shannon, si assume che scelga una descrizione di lunghezza D con probabilità 2^−D, cosicché P(E|A) = 2^−D(E). Il linguaggio di descrizione viene così convertito in un modello, dichiaratamente approssimativo, dell’attività plausibile di un agente. Sostituendo:

log₂[P(E|A)/P(E|H)] = −D(E) − log₂ P(E|H) = SC(E|H).

Il log-fattore di Bayes a favore dell’agente generico contro il caso è esattamente la complessità specificata. Ogni bit di SC è un bit di evidenza comparativa a favore di A. Per eventi descrivibili brevemente, un agente ha molte più probabilità di produrli di quante ne abbia il caso; per eventi che si possono descrivere solo elencandoli, D(E) è circa pari a I(E|H), SC è circa zero, e l’evidenza non discrimina.

Questa è la sede in cui, in questo modulo, compare l’argomento positivo. Va marcato con precisione. La prima lettura bayesiana (sezione 5) e la lettura fisheriana (sezione 4) sono argomenti negativi: concludono che l’ipotesi di caso H è in difficoltà, nel senso che il suo valore p è minuscolo o che la fiducia in essa deve essere ridotta di un fattore enorme. La seconda lettura bayesiana afferma qualcosa di più: che una specifica ipotesi alternativa, l’agente generico, è favorita dall’evidenza. Ma la forza di questa conclusione dipende interamente dal modello di agente adottato, cioè dall’assunzione P(E|A) = 2^−D(E), e dal rapporto dei prior P(A)/P(H), che il fattore di Bayes lascia intatto. Un agente che scegliesse a caso fra tutte le configurazioni non avrebbe alcun vantaggio sul caso; un agente che avesse prior nullo non ne trarrebbe alcun beneficio. L’inferenza al design, nella forma bayesiana, è dunque condizionata a due premesse esplicite che l’inferenza fisheriana non richiede. È un pregio per la trasparenza, ma un limite per la forza.

Gli autori concludono che le due letture bayesiane sono due modi di interpretare la stessa quantità: «Possiamo considerare la lunghezza della descrizione come una stima della probabilità basata su un agente o su un’ipotesi di parsimonia. In entrambi i casi, la complessità specificata assume valori quantitativi che indicano una prova contro un’ipotesi casuale.» Nel capitolo 7, come vedremo nel modulo 8, il quadro bayesiano viene impiegato in senso opposto a quello che ci si aspetterebbe da un teorico del design: per ridurre il prior della selezione naturale, che nella biologia attuale è considerato così vicino a 1 da rendere qualsiasi rapporto di verosimiglianza irrilevante. È un fatto della probabilità bayesiana che un’ipotesi con prior sufficientemente vicino a 1 diventa impossibile da scartare, qualunque sia l’evidenza.

7. Il modus tollens probabilistico e la roulette di Sober

Le due letture hanno un presupposto logico comune: che una piccola probabilità, in condizioni opportune, autorizzi a rifiutare l’ipotesi che la conferisce. La sezione 5.7 di The Design Inference difende questo presupposto contro un’obiezione di Sober che è più profonda di quelle sui prior, perché colpisce il passaggio dalle premesse alla conclusione.

Nella logica dei condizionali ci sono due regole di inferenza principali. Il modus ponens: da «se E allora F» e da E, segue F. Il modus tollens: da «se E allora F» e da non-F, segue non-E. Se piove fuori è bagnato; fuori non è bagnato; dunque non piove. L’inferenza al disegno, nella forma deduttiva del modulo 4, aspira a essere un modus tollens applicato alle ipotesi di caso: se H fosse vera, non osserveremmo un evento specificato di piccola probabilità; lo osserviamo; dunque non H.

Sober (2002) sostiene che «non esiste un analogo probabilistico del modus tollens». Il suo controesempio è una roulette con 38 caselle, in cui distinguiamo solo doppio zero (probabilità 1/38) e non doppio zero (37/38). La si fa girare 3.800 volte e si ottengono 100 doppi zeri. La probabilità di questa esatta sequenza di esiti, (1/38)¹⁰⁰ · (37/38)^3.700, è circa 10⁻²⁰¹, un numero minuscolo; eppure, dice Sober, sarebbe assurdo respingere la teoria della roulette equa: 100 doppi zeri in 3.800 giri è esattamente il valore atteso.

La risposta di Dembski ed Ewert è che Sober ha calcolato la probabilità dell’evento sbagliato. Egli identifica l’evento come «una sequenza di risultati in cui ci sono 100 doppi zeri», che è un evento composito (100 doppi zeri in qualsiasi ordine), e poi calcola la probabilità di una singola sequenza esatta contenuta in quell’evento. Ma la specificazione «100 doppi zeri» è una prespecificazione, la moda della distribuzione binomiale, e la regione di rifiuto che induce è l’intero evento composito. La sua probabilità si ottiene moltiplicando per il numero di modi di disporre 100 doppi zeri fra 3.800 giri, un coefficiente binomiale dell’ordine di 10¹⁹⁹. Il prodotto vale circa 0,04, cioè 1 su 25: meno probabile di quattro teste consecutive, più probabile di cinque. Con questa probabilità la seconda premessa del modus tollens, «non-F è quasi certo», è semplicemente falsa, e l’argomento non parte. Non è che il modus tollens probabilistico fallisca come schema; è che le sue condizioni di applicazione non erano soddisfatte. Il confronto con un caso in cui lo sono è illuminante: se in 3.800 giri non comparisse nessun doppio zero, la probabilità sarebbe (37/38)^3.800 ≈ 10⁻⁴⁴, non ci sarebbero combinazioni da contare, e il rifiuto dell’ipotesi della roulette equa sarebbe pienamente giustificato.

Il fondamento logico è la nozione di implicazione parziale, elaborata da Ernest Adams nella logica dei condizionali. In un argomento deduttivo valido, la verità delle premesse garantisce la verità della conclusione; ma vale anche che la probabilità della conclusione è almeno pari alla probabilità congiunta delle premesse, P(C) ≥ P(Q₁ & … & Q_n). Tutti i modi in cui le premesse sono vere insieme sono modi in cui la conclusione è vera; la conclusione può esserlo anche in altri modi; quindi non può essere meno probabile. Il modus tollens, essendo valido, eredita questa proprietà. La mossa di Sober consiste nel sostituire il condizionale materiale con un condizionale bayesiano basato su P(E|H), e poi nell’osservare che, una volta osservato non-E, la probabilità di H va aggiornata e potrebbe risalire. Ma, notano gli autori, anche in quella riformulazione l’alta probabilità delle premesse conferisce alta probabilità alla conclusione, e Sober non fornisce alcuna procedura per l’aggiornamento che egli invoca.

Il secondo controesempio di Sober, quello delle urne, è più interessante perché rivela il nocciolo della divergenza. Un valletto porta un’urna; l’ipotesi da testare è che contenga il 10% di palline bianche; si estrae una pallina, ed è bianca. È evidenza contro l’ipotesi? No, dice Sober, se l’unica altra urna disponibile ha lo 0,1% di bianche: allora la pallina bianca è evidenza a favore. Corretto. Ma se si estraggono cento palline con reinserimento e sono tutte bianche, la probabilità è 10⁻¹⁰⁰ sotto la prima ipotesi e 10⁻³⁰⁰ sotto la seconda, e la risposta giusta non è preferire la prima: è «nessuna delle precedenti». Il valletto ha portato un’urna piena di palline bianche. Un bayesianesimo rigido, in cui tutte le ipotesi devono essere formulate in anticipo e una di esse va preferita, non ha spazio per questa risposta; un bayesianesimo più robusto deve essere aperto a ipotesi nuove, e deve assegnare un prior non trascurabile alle ipotesi che spiegano eventi corrispondenti a modelli specificati, proprio perché quei modelli sono facilmente descrivibili.

8. Fattori contestuali: come la metrica reagisce al contesto

Una metrica utile deve comportarsi in modo prevedibile quando cambia il contesto in cui viene applicata. La sezione 6.7 del libro verifica quattro casi, e i risultati valgono per entrambe le letture, perché riguardano la quantità SC in sé.

Conoscenza di base

Il Monte Rushmore ha una descrizione breve per chi conosce i presidenti americani, o almeno i volti umani; non per un alieno che non conosca né gli uni né gli altri. Le lunghezze di descrizione sembrano dunque incommensurabili fra osservatori con conoscenze di base diverse. La soluzione è una lunghezza di descrizione condizionale D(E|B), la descrizione più breve di E data la conoscenza di base B, che equivale a estendere il linguaggio con le risorse espressive di B. Trattando eventi e conoscenze come proposizioni, e usando il fatto che il costo descrittivo di «E e B» è circa il costo di B più il costo di E dato B, si dimostra che, purché B sia probabilisticamente indipendente da E sotto l’ipotesi H, usare B per descrivere E non diminuisce la complessità specificata. L’indipendenza fallisce solo nei casi artificiali in cui la «conoscenza di base» è stata letta direttamente dall’evento, cioè quando si bara costruendo la specificazione a posteriori. Conoscere i volti umani indipendentemente dal Monte Rushmore è legittimo; conoscere «quella particolare sequenza di 100 lanci» solo perché la si è appena vista non lo è.

Grado di specificità

Lo stesso animale può essere descritto come collie, cane, mammifero o tetrapode. Aumentare la specificità della descrizione dovrebbe, intuitivamente, non diminuire la complessità specificata. Il libro lo conferma: se un evento generale E si suddivide in eventi più specifici E_i, la complessità specificata di E_i è approssimativamente almeno quella di E, e aumenta effettivamente quando i dettagli aggiuntivi che restringono il modello mantengono una descrizione breve. Ne segue una regola pratica che il modulo 8 userà: descrivere un sistema biologico in modo più generale del necessario dà una stima per difetto della sua complessità specificata, non per eccesso.

Prove ripetute

Se un evento raro di probabilità p ha n opportunità indipendenti di verificarsi, la probabilità che si verifichi almeno una volta è, per p piccolo, circa n·p, e la lunghezza di descrizione di «l’evento in una delle n prove» è circa quella dell’evento da solo. La complessità specificata scende dunque di circa log₂ n bit. Il risultato è lo stesso se, invece di aggiustare la probabilità, si aggiusta la descrizione: specificare quale delle n prove ha prodotto l’evento costa log₂ n bit aggiuntivi. Questa è la traduzione, nel linguaggio della metrica, delle risorse probabilistiche del modulo 3: un miliardo di tentativi costa 30 bit, e non di più.

Trasformazioni

Che cosa succede alla complessità specificata se applichiamo una funzione f all’evento? Una funzione può abbassarla fino a zero (se manda tutto in un punto) e può, apparentemente, alzarla: si prenda la funzione che manda una particolare sequenza casuale di 100 lanci nell’etichetta «speciale» e tutte le altre in «non speciale». L’evento trasformato è raro e specificato. Ma la funzione stessa deve contenere la descrizione della sequenza prescelta, e quindi ha un costo descrittivo pari all’incirca a ciò che sembra aver creato. Il teorema è che una trasformazione semplice non può aumentare in modo sostanziale la complessità specificata: la complessità dell’evento originale è almeno pari a quella dell’evento trasformato, meno il costo della trasformazione. È il principio che gli autori chiamano conservazione della complessità specificata, e che nel modulo 7 incontreremo nella forma più generale della conservazione dell’informazione.

9. Esempi calcolati

La seconda edizione chiude il capitolo con una serie di calcoli espliciti. Ne riportiamo tre, scelti perché mostrano la metrica al lavoro su casi in cui la risposta è ovvia, su casi in cui è controversa, e su casi in cui è negativa. Per la lunghezza di descrizione si usa un’approssimazione pratica: circa 200.000 parole inglesi di uso comune richiedono log₂(200.000) ≈ 17,6 bit per parola, arrotondati generosamente a 20.

Il discorso di Gettysburg

Il testo inciso sul Lincoln Memorial conta circa 1.500 caratteri fra lettere, spazi e punteggiatura. Come ipotesi di caso si prende, provocatoriamente, la scimmia alla tastiera: 29 caratteri equiprobabili. La probabilità è (1/29)^1.500, e I(E|H) = 1.500 · log₂ 29 ≈ 7.287 bit. La descrizione «Gettysburg Address» costa due parole, 40 bit. La complessità specificata è quindi circa 7.247 bit, con valore p non superiore a 2^−7.247. Che il risultato sia ovvio non lo rende inutile: mostra che la metrica assegna a un caso lampante un numero enorme, quattordici volte il limite universale.

Più istruttiva è la variante: un testo inglese unico, mai visto prima, che non ha nome. La descrizione breve disponibile è «testo inglese», e per stimare la probabilità che caratteri casuali producano un testo inglese gli autori abbassano deliberatamente l’asticella, chiedendo solo che le 300 parole siano tutte parole inglesi valide. Enumerando le parole di un correttore ortografico per lunghezza, la probabilità che una sequenza casuale di lettere terminata da uno spazio formi una parola valida risulta circa l’11,6%; elevata alla 300, la probabilità del testo dà una complessità di gran lunga inferiore a quella del discorso di Gettysburg, ma ancora largamente sufficiente a escludere la battitura casuale. Il manoscritto Voynich, di cui non conosciamo la lingua, viene trattato con lo stesso metodo: cinque parole di cinque caratteri che costituiscono il 5% del testo, come prevede la legge di Zipf per le lingue naturali, hanno una probabilità minuscola sotto l’ipotesi di simboli scelti a caso, e la descrizione del modello costa dodici parole. Conclusione: il manoscritto non è nato da simboli casuali; ma questo non esclude, e gli autori lo dicono esplicitamente, che sia il prodotto di un algoritmo stocastico più sofisticato, come la copiatura con modifica di porzioni precedenti. L’ipotesi di caso eliminata è solo quella che si è calcolata.

La svastica nella foresta

Nella Germania settentrionale, dopo la caduta del Muro, fu riscoperto un gruppo di larici piantato fra abeti in modo da formare, ogni autunno, una svastica gialla su fondo verde. Occupava 0,36 ettari; a circa 1.000 alberi per ettaro, 360 alberi. Se ogni albero ha probabilità ½ di essere del tipo giusto, la probabilità della configurazione è 2⁻³⁶⁰, I = 360 bit; la descrizione costa una parola, 20 bit; SC = 340 bit. Per la faccina sorridente della contea di Polk, in Oregon (0,65 ettari, 650 alberi, due parole): 650 − 40 = 610 bit. Gli autori poi correggono al ribasso, concedendo 1.000 varianti distinte che soddisfino la descrizione e fino al 10% di alberi fuori posto: le complessità scendono a 185 e 339 bit, e le complessità specificate a 165 e 299 bit. Sotto il limite universale, ma ampiamente sopra qualsiasi limite locale ragionevole per una foresta tedesca. Il punto metodologico è che l’aggiustamento per le varianti va fatto, e che la metrica lo assorbe senza cambiare conclusione.

Il Volto di Marte contro il Monte Rushmore

Questo è il caso negativo, ed è il più importante. La formazione fotografata dal Viking 1 nel 1976 nella regione di Cydonia somiglia a un volto: due occhi, un naso, una bocca. Quattro caratteristiche identificabili; assegnando a ciascuna una probabilità di circa 1/1.000 (≈ 10 bit) e assumendo l’indipendenza, I ≈ 40 bit. La descrizione «volto» costa 20 bit. SC ≈ 20 bit. Ora, 20 bit di complessità specificata su scala planetaria, con esseri umani predisposti a vedere volti ovunque e che hanno guardato ovunque, non escludono nulla: le risorse probabilistiche li assorbono completamente. Il Monte Rushmore, con lo stesso metodo grezzo, presenta per ciascuno dei quattro volti circa venti caratteristiche (iride, pupilla, sclera, palpebre, sopracciglia, narici, mento, bocca, capelli), ottanta in tutto: I ≈ 797 bit, SC ≈ 777 bit. E il calcolo, per equità, ignora in entrambi i casi la coerenza con cui i tratti sono disposti. La stessa metrica, applicata nello stesso modo, dice «caso» per Cydonia e «non caso» per Rushmore, e la differenza non sta nel giudizio estetico di chi guarda ma nel numero di dettagli che la descrizione breve riesce a catturare.

10. Obiezioni

«Il verosimilismo richiede P(E|D), e la teoria del design non la fornisce»

È l’obiezione di Sober, e di Fitelson, Stephens e Sober nella recensione della prima edizione (1999), nella sua forma più forte. L’evidenza, in senso verosimilista, è il rapporto P(E|D)/P(E|H). Il filtro esplicativo calcola solo il denominatore. Per sapere se un flagello batterico è evidenza di design occorre sapere quanto è probabile che un progettista producesse un flagello fatto così, e questo richiede ipotesi ausiliarie sui fini, sulle capacità e sulle preferenze del progettista che l’ID rifiuta di formulare. Senza di esse P(E|D) è indefinita, e l’inferenza è vuota. Sober aggiunge che il problema non riguarda solo il design: qualsiasi ipotesi che non conferisca probabilità agli eventi è, in senso verosimilista, non testabile.

Va concesso che, per un’ipotesi di progetto specifica (questo progettista, con questi fini), la teoria del design non fornisce P(E|D), e non pretende di farlo; la posizione di The Design Revolution è che chiedere una probabilità all’innovazione creativa sia una richiesta mal posta. Ma la seconda lettura bayesiana della sezione 6 mostra che per un’ipotesi di agente generico una verosimiglianza si può assegnare: P(E|A) = 2^−D(E), cioè l’assunzione minima che un agente che opera con un linguaggio tenda a realizzare ciò che può descrivere brevemente. Non è un’ipotesi ausiliaria sui fini del progettista; è un’ipotesi sulla struttura dell’agire intenzionale in generale, e produce un fattore di Bayes che coincide con la complessità specificata. Il verosimilista può rifiutare questa modellizzazione, ma allora deve dire perché un agente non dovrebbe preferire le descrizioni brevi, e deve spiegare come, nel caso Caputo, egli stesso arrivi a P(E|D): anche il bayesiano, per giudicare che la sequenza di schede è evidenza di frode, ha bisogno di dire che un politico disonesto produce con alta probabilità sequenze descrivibili come «quasi tutti democratici in cima». Sta usando una specificazione.

«I prior possono azzerare tutto: chi decide P(A)?»

Anche accettando il fattore di Bayes SC, il rapporto delle posterior contiene il rapporto dei prior P(A)/P(H). Un naturalista metodologico assegna all’agente non identificato un prior praticamente nullo, esattamente come Dembski assegna prior nullo ai folletti nel solaio; e un prior nullo non viene mosso da nessun fattore di Bayes finito. Nel quadro comparativo, quindi, la complessità specificata non decide nulla: sposta il dibattito sui prior, dove la matematica tace e parlano le metafisiche.

Questo è vero, e va detto senza attenuanti: nel quadro bayesiano, la complessità specificata è un fattore di aggiornamento, non una conclusione. Ciò che si può rispondere è duplice. Primo, l’esempio dei folletti è asimmetrico rispetto al caso biologico: la sfiducia nei folletti poggia su una vasta evidenza indipendente della loro inesistenza, mentre l’esistenza di agenti intelligenti capaci di produrre sistemi con alta complessità specificata è un fatto quotidiano (siamo noi). Un prior nullo per «un agente» in generale non è una scelta neutrale. Secondo, ed è il punto su cui la seconda edizione insiste, un prior sufficientemente vicino a 1 per un’ipotesi rende quell’ipotesi immune da qualsiasi evidenza; se è questa la situazione della selezione naturale nella biologia contemporanea, allora il problema non è della metrica ma del prior, e il modulo 8 mostrerà come gli autori propongano di riportarlo a misura. La lettura fisheriana, va ricordato, non ha questo problema, perché non usa prior; ma non conclude nemmeno nulla di positivo.

«Il prior di Occam dipende dal linguaggio, e la disuguaglianza P(E) ≥ 2^−D(E) è un artificio»

La prima lettura bayesiana poggia sull’assunzione che la probabilità complessiva di un evento sia almeno 2 elevato a meno la sua lunghezza di descrizione. Ma la lunghezza di descrizione dipende dal linguaggio; il teorema di invarianza di Kolmogorov garantisce commensurabilità solo a meno di una costante additiva, che per eventi di poche centinaia di bit può essere decisiva; e nessun teorema obbliga il mondo a distribuire probabilità secondo il rasoio di Occam. La disuguaglianza è dunque una scelta di prior travestita da teorema, e il bayesiano che la rifiuta non sta obiettando a un calcolo ma a un’assunzione filosofica.

Va concesso che la disuguaglianza è un’assunzione, e gli autori la presentano come tale («un metodo plausibile per valutare i priori potrebbe essere il rasoio di Occam»). Va concesso anche che la costante di invarianza non è trascurabile per eventi brevi, ragione per cui la metrica è affidabile su centinaia o migliaia di bit e non su decine, come il caso del Volto di Marte mostra. La risposta è che qualsiasi prior bayesiano sostitutivo dovrà comunque essere espresso in un linguaggio e assegnare probabilità più alte alle ipotesi semplici, altrimenti non sarà un prior di parsimonia, e un prior che non esemplifica la parsimonia è difficile da difendere come razionale. Nella misura in cui il prior alternativo è parsimonioso, sarà approssimativamente coerente con quello derivato dalle lunghezze di descrizione, e la conclusione cambierà di una costante, non di ordini di grandezza. Ma è giusto riconoscere che qui la matematica delimita il campo e non chiude la partita.

«Il modus tollens probabilistico è solo Fisher travestito, e Fisher non ha fondamento»

La risposta a Sober sulla roulette, dirà un bayesiano, non fa che ribadire il quadro fisheriano: si sceglie una regione di rifiuto, se ne calcola la probabilità, si respinge sotto una soglia. Ma il problema di Howson e Urbach resta intero: perché una piccola probabilità della regione di rifiuto dovrebbe autorizzare il rifiuto? Il riferimento all’implicazione parziale non aiuta, perché nell’argomento deduttivo del modulo 4 la premessa cruciale («se H, allora E non cade in R_α») non è vera con probabilità 1 − 2^−α in senso oggettivo; è vera con quella probabilità sotto H, e usarla per concludere non-H è, ancora una volta, presupporre che P(R_α|H) piccola conti contro H.

Questa è l’obiezione tecnicamente più sottile, e merita una risposta in due tempi. Primo, il presupposto contestato non è un’assunzione della sola teoria del design: è la Legge delle Piccole Probabilità del modulo 4, difesa come principio regolativo (analogamente alla scelta del trattamento con i migliori risultati in medicina, che può fallire in un caso singolo ma è l’unica scelta razionale come politica). Chiunque respinga la truffa di Madoff, la frode di Caputo o la falsificazione di dati sperimentali sulla base della loro improbabilità sta usando lo stesso principio; il bayesiano lo usa anch’egli, implicitamente, quando decide quali eventi compositi mettere nel rapporto di verosimiglianza. Secondo, e questo è il contributo specifico della seconda edizione, la stessa quantità che nel quadro fisheriano è un valore p è nel quadro bayesiano un fattore di aggiornamento, e il fattore di aggiornamento non richiede alcuna «soglia arbitraria»: dice semplicemente di quanto dividere la fiducia in H. Chi rifiuta Fisher può leggere la sezione 5 e ignorare la 4; il numero è lo stesso.

Limiti dell’argomento di questo modulo

Questo modulo ha stabilito un risultato preciso e limitato: che la metrica SC(E|H) ammette due interpretazioni statistiche coerenti, e che entrambe forniscono, con un’unica quantità in bit, la misura in cui un evento specificato e improbabile conta contro l’ipotesi di caso H che ne determina la probabilità. Non ha stabilito che P(E|H) sia calcolabile per alcun sistema biologico reale; quella è la questione del modulo 8, ed è quella su cui la maggior parte delle controversie si giocherà. Non ha stabilito che il modello di agente generico P(E|A) = 2^−D(E) sia l’unico ragionevole, né che il rapporto dei prior favorisca l’agente. Non ha risolto la disputa fra fisheriani e bayesiani: ha mostrato che, per questo strumento, la disputa non fa differenza numerica, il che è cosa diversa. Infine, tutte le eliminazioni considerate riguardano l’ipotesi di caso che è stata effettivamente calcolata (la scimmia alla tastiera, i simboli casuali, gli alberi equiprobabili), e il caso Voynich ricorda che un’ipotesi stocastica più sofisticata può sempre restare in piedi. La lettura bayesiana rende questo limite esplicito nella forma «nessuna delle precedenti»: la complessità specificata alta è evidenza che manca un’ipotesi, non prova di quale sia. Il passaggio da «non caso» a «progetto», discusso nel modulo 4 e riformulato qui in termini di agente generico, resta un’inferenza con premesse proprie, che vanno accettate o rifiutate come tali.

Concetti chiave

1. Il teorema di Bayes è la definizione di probabilità condizionata applicata due volte. P(F|E) = P(E|F)·P(F)/P(E); in forma di rapporti, le posterior stanno fra loro come le verosimiglianze moltiplicate per i prior. Il rapporto di verosimiglianza è il fattore di Bayes; il suo logaritmo in base 2 si misura in bit.
2. Il test fisheriano elimina un’ipotesi da sola; il metodo bayesiano confronta ipotesi fra loro. Per Fisher, un campione in una regione di rifiuto di probabilità inferiore ad α respinge l’ipotesi nulla; per il bayesiano, l’evidenza contro un’ipotesi esiste solo come evidenza a favore di un’altra.
3. L’inferenza al disegno è una modifica di Fisher, non un’alternativa. Risorse probabilistiche (modulo 3), specificazione (modulo 2) e modus tollens probabilistico (modulo 4) rispondono alle tre domande che Fisher lasciò aperte.
4. Nella lettura fisheriana, α bit di complessità specificata hanno valore p ≤ 2^−α. Il limite segue dalla disuguaglianza di Kraft sui codici senza prefissi, non dipende dalla forma della regione di rifiuto ed è immune al p-hacking perché somma già su tutte le specificazioni possibili.
5. Nella prima lettura bayesiana, il moltiplicatore P(E|H)/P(E) è al più 2^−SC. Basta un prior di parsimonia, P(E) ≥ 2^−D(E): un evento descrivibile brevemente non può essere troppo improbabile in assoluto.
6. Nella seconda lettura bayesiana, il log-fattore di Bayes per un agente generico contro il caso è esattamente SC. Richiede l’assunzione P(E|A) = 2^−D(E) e lascia intatto il rapporto dei prior: è l’unico punto del modulo in cui compare l’argomento positivo.
7. La roulette di Sober calcola la probabilità dell’evento sbagliato. La regione indotta dalla prespecificazione «100 doppi zeri» ha probabilità circa 0,04, non 10⁻²⁰¹; il modus tollens probabilistico non fallisce, semplicemente non si applica.
8. La metrica si comporta in modo prevedibile sotto conoscenza di base, specificità, prove ripetute e trasformazioni. n prove costano log₂ n bit; una trasformazione semplice non crea complessità specificata; e il Volto di Marte (≈20 bit) resta caso mentre il Monte Rushmore (≈777 bit) no.

Per approfondire

• Complessità specificata: come riconoscere matematicamente il design — l’introduzione al filtro esplicativo e alle obiezioni di Sober a livello divulgativo, che questo modulo presuppone.
• Il metodo scientifico dell’ID: come si riconosce un progetto? — la logica dell’inferenza al progetto nel contesto delle scienze storiche.
• Filosofia della scienza e Disegno Intelligente — testabilità, falsificabilità e criteri di demarcazione, il terreno su cui Sober colloca la sua critica.
• Caso, necessità o progetto: l’inferenza alla migliore spiegazione — il rapporto fra eliminazione del caso e inferenza comparativa in un caso concreto.
• Le obiezioni principali all’ID sull’informazione biologica: analisi critica e risposte — panoramica delle critiche, incluse quelle sul calcolo delle probabilità.
• Ordine, caso e informazione: le tre categorie che quasi tutti confondono — la distinzione concettuale che sta a monte della metrica.

Riferimenti

Adams, E. W. (1975). The Logic of Conditionals: An Application of Probability to Deductive Logic. D. Reidel.

Bayes, T. (1763). An essay towards solving a problem in the doctrine of chances. Philosophical Transactions of the Royal Society of London, 53, 370–418.

Cover, T. M., & Thomas, J. A. (2006). Elements of Information Theory (2nd ed.). Wiley.

Dembski, W. A. (1998). The Design Inference: Eliminating Chance through Small Probabilities. Cambridge University Press.

Dembski, W. A. (2002). No Free Lunch: Why Specified Complexity Cannot Be Purchased without Intelligence. Rowman & Littlefield.

Dembski, W. A. (2004). The Design Revolution: Answering the Toughest Questions about Intelligent Design. InterVarsity Press.

Dembski, W. A. (2005). Specification: The pattern that signifies intelligence. Philosophia Christi, 7(2), 299–343.

Dembski, W. A., & Ewert, W. (2023). The Design Inference: Eliminating Chance through Small Probabilities (2nd ed.). Discovery Institute Press.

Ewert, W., Dembski, W. A., & Marks, R. J. II (2015). Algorithmic specified complexity in the Game of Life. IEEE Transactions on Systems, Man, and Cybernetics: Systems, 45(4), 584–594.

Fisher, R. A. (1935). The Design of Experiments. Oliver and Boyd.

Fitelson, B., Stephens, C., & Sober, E. (1999). How not to detect design—Critical notice: William A. Dembski, The Design Inference. Philosophy of Science, 66(3), 472–488.

Hacking, I. (1965). Logic of Statistical Inference. Cambridge University Press.

Howson, C. (2011). Objecting to God. Cambridge University Press.

Howson, C., & Urbach, P. (2006). Scientific Reasoning: The Bayesian Approach (3rd ed.). Open Court.

Laplace, P.-S. (1814). Essai philosophique sur les probabilités. Courcier.

Mayo, D. G. (1996). Error and the Growth of Experimental Knowledge. University of Chicago Press.

Neyman, J., & Pearson, E. S. (1933). On the problem of the most efficient tests of statistical hypotheses. Philosophical Transactions of the Royal Society A, 231, 289–337.

Royall, R. (1997). Statistical Evidence: A Likelihood Paradigm. Chapman & Hall.

Shannon, C. E. (1948). A mathematical theory of communication. Bell System Technical Journal, 27, 379–423, 623–656.

Sober, E. (1999). Testability. Proceedings and Addresses of the American Philosophical Association, 73(2), 47–76.

Sober, E. (2002). Intelligent design and probability reasoning. International Journal for Philosophy of Religion, 52(2), 65–80.

Sober, E. (2008). Evidence and Evolution: The Logic behind the Science. Cambridge University Press.

Solomonoff, R. J. (1964). A formal theory of inductive inference, parts I and II. Information and Control, 7(1–2), 1–22, 224–254.