Probabilistyczna inferencja i probabilistyczne uzasadnianie
Informacje ogólne
Kod przedmiotu: | 3501-PPU20-M-OG |
Kod Erasmus / ISCED: |
08.1
|
Nazwa przedmiotu: | Probabilistyczna inferencja i probabilistyczne uzasadnianie |
Jednostka: | Wydział Filozofii |
Grupy: |
Przedmioty ogólnouniwersyteckie humanistyczne |
Punkty ECTS i inne: |
(brak)
|
Język prowadzenia: | polski |
Rodzaj przedmiotu: | monograficzne |
Założenia (opisowo): | Pożądane zaliczenie Logiki I |
Tryb prowadzenia: | w sali |
Skrócony opis: |
Teoria prawdopodobieństwa jest obecnie teorią formalną sformułowaną w terminach algebry oraz w terminach teorii funkcji rzeczywistych. W teorii tej możemy zdefiniować probabilistyczne relacje inferencji. Istniejᶏ różne sposoby definiowania takich probabilistycznych relacji inferencji. Typowe probabilistyczne relacje inferencji nie posiadajᶏ tych własności, jakie przysługujᶏ klasycznej relacji inferencji, ponieważ z reguły sᶏ niemonotoniczne i mogą nie posiadać własności koniunkcji w konkluzji. Nie każda relacja inferencji stanowi uzasadnienie swojej konkluzji. Uzasadnienie powinno być opisane w terminach przekonań, a to, że probabilistyczna relacja inferencji stanowi zarazem probabilistyczne uzasadnienie wymaga dodatkowej argumentacji. Definicja probabilistycznego uzasadnienia prowadzi do sformułowania logiki probabilistycznego uzasadniania opartej na logice uzasadniania Artemowa i Fittinga. |
Pełny opis: |
Oto szczegółowy plan proponowanego wykładu: 1. Standardowa teoria prawdopodobieństwa w ujęciu Kołmogorowa a. przestrzeń probabilistyczna b. prawdopodobieństwo jako funkcja rzeczywista c. prawdopodobieństwo jako miara d. prawdopodobieństwo a miara Lebesgue’a e. aksjomatyczne ujęcie prawdopodobieństwa f. ograniczenia teorii Kołmogorowa 2. Reprezentowanie przekonań w terminach teorii prawdopodobieństwa a. Ilościowa formalizacja przekonań b. jakościowa formalizacja przekonań c. Przekonania na gruncie Bayesjańskiej epistemologii 3. Wybrane logiki probabilistyczne a. definiowanie klasycznej relacji inferencji w terminach klasycznego prawdopodobieństwa b. logika probabilistyczna oparta na Bayesjańskiej epistemologii c. niemonotoniczność probabilistycznej relacji inferencji d. brak własności koniunkcji w konkluzji 4. Przykład probabilistycznej relacji inferencji a. paradoks loterii b. probabilistyczna relacja inferencji dla paradoksu loterii c. probabilistyczna relacja inferencji jako podstawa probabilistycznego uzasadniania 5. Logika uzasadniania Artemowa i Fittinga a. jᶒzyk formalny b. aksjomatyzacja 6. Podstawy logiki probabilistycznego uzasadniania |
Literatura: |
Artemov, S. (1995), Operational modal logic, Technical Report MSI 95-29, Cornell University. Artemov, S. and Fitting, M. (2016), Justification Logic, The Stanford Encyclopedia of Philosophy, E. N. Zalta (ed.) URL = < https:// plato.stanford.edu/archives/win2016/entries/logic-justification/> Correia, F. (2015), Logical Grounding and the First-Degree Entailments, in: S. Lapointe (ed.) Themes from Ontology, Mind and Logic: Present and Past – Essays in Honour of Peter Simons, Gratzer Philosophische Studien 91, 3 – 15. Douven, I. (2008), The lottery paradox and our epistemic goal, Pacific Philosophical Quarterly 89, 599 – 632. Fitting, M. (2005), The logic of proofs, semantically, Annals of Pure and Applied Logic 132, 1 – 25. Foley, R. (1992), The Epistemology of Belief and the Epistemology of Degrees of Belief, American Philosophical Quarterly 29, 111 – 121. Foley, R. (2009), Belief, Degrees of Belief and the Lockean Thesis, in: Huber and Schmidt – Petri (eds.), pp. 37 – 47. Hawthorne, J. and Makinson, D. (2007), The Quantitative/Qualitative Watershed for Rules of Uncertain Inference, Studia Logica 86, 247 – 297. Kyburg, H. E. Jr. (1997), The rule of adjunction and reasonable inference, Journal of Philosophy 94, 109 – 125. Prawitz, D. (2012), The epistemic significance of valid inference, Synthese 187, 887 – 898. Simons, K. (2017), Paradoksy prawdopodobieństwa, Warszawa: PWN. |
Efekty uczenia się: |
Nabyta wiedza: Student wie, jakie są matematyczne podstawy prawdopodobieństwa; Student wie, jaki jest aktualny stan badań nad zastosowaniem standardowej teorii prawdopodobieństwa w konstruowaniu logik probabilistycznych; Student zna jᶒzyk formalny i aksjomatykᶒ logik probabilistycznych; Student wie, jakie są własności probabilistycznej relacji inferencji; Student wie, co to jest logika uzasadniania; Student zna probabilistycznᶏ inferencjᶒ dla paradoksu loterii; Student zna podstawy probabilistycznej logiki uzasadniania. Nabyte umiejętności: Student potrafi formułować problemy z zakresu objętego tematyką wykładu; Student potrafi stosować techniki i narzędzia formalne do analizy zagadnień objętych problematyką wykładu; Student potrafi przygotować esej, pracę magisterską lub doktorską na temat mieszczący się w problematyce wykładu. Nabyte kompetencje społeczne: Student potrafi przekazać zdobytą wiedzę podczas wykładu; Student potrafi posłużyć się argumentacją w obronie swojej tezy korzystając z pojęć wprowadzonych na wykładzie; Student potrafi uczestniczyć w dyskusji dotyczącej zagadnień przedstawionych na wykładzie. |
Metody i kryteria oceniania: |
Student oceniany jest na podstawie obecności na wykładzie oraz na podstawie sprawdzianu pisemnego po zakończonym kursie. Wszystkie nieobecności rozliczane są indywidualnie. Liczba nieobecności nieusprawiedliwionych to 2 w semestrze. |
Właścicielem praw autorskich jest Uniwersytet Warszawski.